Application of Numerical Methods for Optimizing Visual Elements in E-commerce
( Pp. 11-18)
More about authors
Chmelev Andrei A.
senior full stack engineer / technical lead, specialist in applied mathematics and computer science, mathematician, system programmer, .
Wildberries LLC
Moscow, Russian Federation Natalia V. Grineva Cand. Sci. (Econ.), Associate Professor, Associate Professor of the Department of Information Technology
Financial University under the Government of the Russian Federation
Moscow, Russian Federation
Wildberries LLC
Moscow, Russian Federation Natalia V. Grineva Cand. Sci. (Econ.), Associate Professor, Associate Professor of the Department of Information Technology
Financial University under the Government of the Russian Federation
Moscow, Russian Federation
Abstract:
The article discusses the use of numerical methods to optimize the design elements of product cards. The discount block, one of the key elements significantly influencing sales, is selected as the object of study. The aim of the research is to improve the click-through rate (CTR) of product cards by analyzing and optimizing visual parameters such as color, font size, block placement, discount format, and device type. To achieve this goal, a regression model was developed to predict CTR for new parameter combinations without the need for full-cycle testing and to evaluate the significance of the analyzed parameters. The results show that the most impactful factors on CTR are background color, font size, and the placement of the discount block. The proposed approach reduces the number of required tests, accelerates the optimization process, and can be adapted to other design elements, such as call-to-action buttons or stock availability indicators.
How to Cite:
Chmelev A.A., Grineva N.V. Application of Numerical Methods for Optimizing Visual Elements in E-commerce. Computational Nanotechnology. 2024. Vol. 11. No. 4. Pp. 11–18. (In Rus.). DOI: 10.33693/2313-223X-2024-11-4-11-18. EDN: FRPRGW
Reference list:
Monastyrev V.V., Drobintsev P.D. Recommendation system based on user actions in the social network // Proceedings of the Institute for System Programming of the RAS. 2020. Vol. 32. No. 3. Pp. 101–108. DOI: 10.15514/ISPRAS-2020-32(3)-9.
Кукитз П.В. Применение машинного обучения для персонализации рекомендаций в фудтех индустрии // Journal of Advanced Research in Technical Science. 2024. № 42. С. 31–41. DOI: 10.26160/2474-5901-2024-42-31-41.
Круглик А.С., Лакман И.А. Гибридный подход усиленной контентом коллаборативной фильтрации в области рекомендательных систем // Информационные технологии. 2020. Т. 26. № 9. С. 523–528. DOI: 10.17587/it.26.523-528.
Ляликова В.Г., Безрялин М.М. Построение гибридной рекомендательной системы // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2021. № 4. С. 121–129.
Третьяков Д.А. Разработка рекомендательной системы на основе метода коллаборативной фильтрации с возможностью использования пользовательских модификаторов // Научное творчество молодежи. Математика. Информатика: матер. XIХ Всерос. науч.-практ. конф. (Анжеро-Судженск, 15–16 мая 2015 г.). Анжеро-Судженск: Филиал Кемеровского гос. ун-та, 2015. С. 54–57.
Макаров М.П., Новиков А.М. Моделирование и прогнозирование контента в социальных сетях с применением алгоритмов машинного обучения // Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2020. Т. 2. С. 45–63.
Алгоритм k-ближайших соседей. URL: http://datascientist.one/k-nearest-neighbors-algorithm (дата обращения: 18.11.2024).
Мангушева А.Р., Кварацхелия А.Г., Рахимов Д.Ф., Григорян К.А. Сервис по автоматической классификации обращений граждан // Матер. XXII Междунар. конф. по вычислительной механике и современным прикладным программным системам (ВМСППС’2021) (Алушта, 4–13 сентября 2021 г.). М.: Московский авиационный институт (национальный исследовательский университет), 2021. С. 131–133.
Гибадуллин Р.Ф., Максимов А.А., Новиков А.А., Перухин М.Ю. Реконструкция томографических снимков с применением многопроцессорных систем // Вестник Технологического университета. 2017. Т. 20. № 12. С. 87–89.
Gibadullin R.F., Mullayanov B.I., Perukhin M.Yu. Optimization of water supply by the method with model predictive // International Multi-Conference on Industrial Engineering and Modern Technologies FarEastCon 2020 (Vladivostok, October 6–9, 2020). Vladivostok, 2020. P. 9271134. DOI: 10.1109/FarEastCon50210.2020.9271134.
Кукитз П.В. Применение машинного обучения для персонализации рекомендаций в фудтех индустрии // Journal of Advanced Research in Technical Science. 2024. № 42. С. 31–41. DOI: 10.26160/2474-5901-2024-42-31-41.
Круглик А.С., Лакман И.А. Гибридный подход усиленной контентом коллаборативной фильтрации в области рекомендательных систем // Информационные технологии. 2020. Т. 26. № 9. С. 523–528. DOI: 10.17587/it.26.523-528.
Ляликова В.Г., Безрялин М.М. Построение гибридной рекомендательной системы // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2021. № 4. С. 121–129.
Третьяков Д.А. Разработка рекомендательной системы на основе метода коллаборативной фильтрации с возможностью использования пользовательских модификаторов // Научное творчество молодежи. Математика. Информатика: матер. XIХ Всерос. науч.-практ. конф. (Анжеро-Судженск, 15–16 мая 2015 г.). Анжеро-Судженск: Филиал Кемеровского гос. ун-та, 2015. С. 54–57.
Макаров М.П., Новиков А.М. Моделирование и прогнозирование контента в социальных сетях с применением алгоритмов машинного обучения // Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2020. Т. 2. С. 45–63.
Алгоритм k-ближайших соседей. URL: http://datascientist.one/k-nearest-neighbors-algorithm (дата обращения: 18.11.2024).
Мангушева А.Р., Кварацхелия А.Г., Рахимов Д.Ф., Григорян К.А. Сервис по автоматической классификации обращений граждан // Матер. XXII Междунар. конф. по вычислительной механике и современным прикладным программным системам (ВМСППС’2021) (Алушта, 4–13 сентября 2021 г.). М.: Московский авиационный институт (национальный исследовательский университет), 2021. С. 131–133.
Гибадуллин Р.Ф., Максимов А.А., Новиков А.А., Перухин М.Ю. Реконструкция томографических снимков с применением многопроцессорных систем // Вестник Технологического университета. 2017. Т. 20. № 12. С. 87–89.
Gibadullin R.F., Mullayanov B.I., Perukhin M.Yu. Optimization of water supply by the method with model predictive // International Multi-Conference on Industrial Engineering and Modern Technologies FarEastCon 2020 (Vladivostok, October 6–9, 2020). Vladivostok, 2020. P. 9271134. DOI: 10.1109/FarEastCon50210.2020.9271134.
Keywords:
e-commerce, discount design, numerical methods, regression analysis, click-through rate (CTR), factorial experiment, optimization, user experience (UX), conversions.
