2026-10-15T08:47:23Z https://data.mendeley.com/oai

oai:data.mendeley.com/vmzsxkstrt.1 2026-08-06T14:44:18Z

Plutecki, Łukasz Surowe dane z badań nad wykorzystaniem danych zakupowych i ofertowych w systemie B2B e-commerce do predykcji zapotrzebowania i automatyzacji pracy działu handlowego Mendeley Data Zbiór zawiera surowe dane na podstawie których prowadzono badanie w ramach prac rozwojowych nad optymalizacją procesów sprzedażowych w segmencie B2B - wdrożenia algorytmu predykcyjnego wspierającego pracę działu handlowego. Głównym założeniem było zweryfikowanie, czy na podstawie zaledwie kilku produktów dodanych do koszyka możliwe jest precyzyjne określenie kolejnych produktów, którymi zainteresowany będzie klient biznesowy. W badaniu porównano skuteczność tradycyjnych algorytmów klasyfikacji k-Nearest Neighbors (k-NN) z różnymi metrykami odległości (zaimplementowanych bezpośrednio w PHP) oraz zaawansowanych, sekwencyjnych sieci neuronowych (zaimplementowanych w środowisku Python). Wyniki eksperymentu jednoznacznie wskazują, że wybór optymalnego modelu zależy od docelowego sposobu prezentacji danych w interfejsie użytkownika (UI). Najwyższą precyzję dla pierwszej rekomendacji (Hit@1) oraz wskaźnika MRR osiągnął model sieci neuronowej z mechanizmem uwagi (nn_attention), podczas gdy najwyższe całkowite pokrycie listy rekomendacji (Acc@N) zapewnił algorytm knn_jaccard. Zaimplementowanie tych mechanizmów pozwala na automatyczne wzbogacanie ofert handlowych i znaczące przyspieszenie procesów B2B (a w przyszłości możliwa będzie także pełna automatyzacja tego procesu). Algorithms e-Commerce Dataset doi:10.17632/vmzsxkstrt.1 oai:data.mendeley.com/vmzsxkstrt.1 Creative Commons Attribution 4.0 International http://creativecommons.org/licenses/by/4.0 https://data.mendeley.com/datasets/vmzsxkstrt 2026-08-06T14:44:18Z