Analítica de sesiones de comercio electrónico para decisiones de conversión: desempeño predictivo, calibración y dependencia de métricas próximas al resultado
DOI:
https://doi.org/10.64747/dxcy5h52Palabras clave:
analítica web, comercio electrónico, intención de compra, calibración, aprendizaje automático, toma de decisiones, conversiónResumen
La predicción de compra en comercio electrónico puede mostrar métricas elevadas sin garantizar utilidad en el momento de decisión. Este estudio evaluó cuánto cambia el desempeño al incorporar grupos de variables disponibles en distintas fases de una sesión, con énfasis en PageValues, una métrica próxima al resultado. Se analizaron 12.330 sesiones anónimas del conjunto Online Shoppers Purchasing Intention, con 1.908 conversiones (15,47 %). Se compararon regresión logística penalizada y árboles potenciados mediante validación cruzada estratificada de cinco pliegues repetida tres veces. Los predictores se organizaron en cuatro paneles acumulativos: contexto, navegación, salida y completo con PageValues. Con el panel de salida, la regresión logística obtuvo ROC AUC de 0,751 y precisión promedio de 0,325; con PageValues alcanzó 0,896 y 0,642. En árboles potenciados, ROC AUC aumentó de 0,788 a 0,936 y la precisión promedio de 0,374 a 0,757. En el umbral 0,20, el panel completo redujo las sesiones accionables de 30,9 % a 19,4 % y elevó el valor predictivo positivo de 29,7 % a 55,4 %. El incremento desproporcionado demuestra dependencia de una variable cuya disponibilidad temporal no puede confirmarse. El uso responsable exige registrar cuándo se calcula cada métrica, validar temporalmente el modelo, definir costos y probar las intervenciones antes de atribuir mejoras de conversión.
Referencias
Abdullah-All-Tanvir, Khandokar, I. A., Islam, A. K. M. M., Islam, S., & Shatabda, S. (2023). A gradient boosting classifier for purchase intention prediction of online shoppers. Heliyon, 9(4), e15163. https://doi.org/10.1016/j.heliyon.2023.e15163
Al Adwan, A., Kokash, H. A., Al Adwan, R., & Khattak, A. (2023). Data analytics in digital marketing for tracking the effectiveness of campaigns and informing strategy. International Journal of Data and Network Science, 7. https://doi.org/10.5267/j.ijdns.2023.3.015
Almatrafi, A. M., & Alharbi, Z. H. (2023). The impact of web analytics tools on the performance of small and medium enterprises. Engineering, Technology & Applied Science Research, 13(6). https://doi.org/10.48084/etasr.6261
Collins, G. S., Moons, K. G. M., Dhiman, P., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Gangadharan, K., Purandaran, A., Malathi, K., Subramanian, B., Jeyaraj, R., & Jung, S. K. (2025). From data to decisions: The power of machine learning in business recommendations. IEEE Access, 13. https://doi.org/10.1109/ACCESS.2025.3532697
Gudigantala, N., Madhavaram, S., & Bicen, P. (2023). An AI decision-making framework for business value maximization. AI Magazine, 44(1), 67–84. https://doi.org/10.1002/aaai.12076
Gupta, S., Justy, T., Kamboj, S., Kumar, A., & Kristoffersen, E. (2021). Big data and firm marketing performance: Findings from knowledge-based view. Technological Forecasting and Social Change, 165, 120986. https://doi.org/10.1016/j.techfore.2021.120986
Gupta, S., Leszkiewicz, A., Kumar, V., Bijmolt, T. H. A., & Potapov, D. (2020). Digital analytics: Modeling for insights and new methods. Journal of Interactive Marketing, 51, 26–43. https://doi.org/10.1016/j.intmar.2020.04.003
Kapoor, S., & Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), 100804. https://doi.org/10.1016/j.patter.2023.100804
Kumar, B., Roy, S., Sinha, A., Iwendi, C., & Strážovská, Ľ. (2023). E-commerce website usability analysis using association rule mining and machine learning algorithm. Mathematics, 11(1), 25. https://doi.org/10.3390/math11010025
Liu, Y., Tian, Y., Xu, Y., Zhao, S., Huang, Y., Fan, Y., Duan, F., & Guo, P. (2021). TPGN: A Time-Preference Gate Network for e-commerce purchase intention recognition. Knowledge-Based Systems, 220, 106920. https://doi.org/10.1016/j.knosys.2021.106920
Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10(3), e0118432. https://doi.org/10.1371/journal.pone.0118432
Sakar, C. O., Polat, S. O., Katircioglu, M., & Kastro, Y. (2019). Real-time prediction of online shoppers’ purchasing intention using multilayer perceptron and LSTM recurrent neural networks. Neural Computing and Applications, 31, 6893–6908. https://doi.org/10.1007/s00521-018-3523-0
Tawil, A.-R. H., Mohamed, M., Schmoor, X., Vlachos, K., & Haidar, D. (2024). Trends and challenges towards effective data-driven decision making in UK small and medium-sized enterprises. Big Data and Cognitive Computing, 8(7), 79. https://doi.org/10.3390/bdcc8070079
Trivedi, S. K., Patra, P., Srivastava, P. R., Zhang, J. Z., & Zheng, L. J. (2024). What prompts consumers to purchase online? A machine learning approach. Electronic Commerce Research, 24(4), 2953–2989. https://doi.org/10.1007/s10660-022-09624-x
UCI Machine Learning Repository. (2018). Online Shoppers Purchasing Intention Dataset. https://doi.org/10.24432/C5F88Q
Van Calster, B., McLernon, D. J., van Smeden, M., Wynants, L., & Steyerberg, E. W. (2019). Calibration: The Achilles heel of predictive analytics. BMC Medicine, 17, 230. https://doi.org/10.1186/s12916-019-1466-7
Vickers, A. J., & Elkin, E. B. (2006). Decision curve analysis: A novel method for evaluating prediction models. Medical Decision Making, 26(6), 565–574. https://doi.org/10.1177/0272989X06295361
von Kleist, H., Zamanian, A., Shpitser, I., & Ahmidi, N. (2025). Evaluation of active feature acquisition methods for time-varying feature settings. Journal of Machine Learning Research, 26(60), 1–84. https://jmlr.org/papers/v26/23-1635.html
Wang, T., Li, N., Wang, H., Xian, J., & Guo, J. (2022). Visual analysis of e-commerce user behavior based on log mining. Computational Intelligence and Neuroscience, 2022, 4291978. https://doi.org/10.1155/2022/4291978
Descargas
Publicado
Versiones
- 2025-12-30 (2)
- 2025-12-30 (1)
Número
Sección
Licencia
Derechos de autor 2025 Lenin Hochimin Tenecela-Calderon (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las personas autoras conservan sus derechos y otorgan a Sapiens Global el derecho de primera publicación. El artículo se distribuye bajo CC BY 4.0, salvo indicación diferente para material de terceros.
