Clickstream data is an important source to enhance user experience and pursue business objectives in e-commerce. The paper uses clickstream data to predict online shopping behavior and target marketing interventions in real-time. Such AI-driven targeting has proven to save huge amounts of marketing costs and raise shop revenue. Previous user behavior prediction models rely on supervised machine learning (SML). Conceptually, SML is less suitable because it cannot account for the sequential structure of clickstream data. The paper proposes a methodology capable of unlocking the full potential of clickstream data using the framework of recurrent neural networks (RNNs). An empirical evaluation based on real-world e-commerce data systematically assesses multiple RNN classifiers and compares them to SML benchmarks. To this end, the paper proposes an approach to measure the revenue impact of a targeting model. Estimates of revenue impact together with results of standard classifier performance metrics evidence the viability of RNN-based clickstream modeling and guide employing deep recurrent learners for campaign targeting. Given that the empirical analysis shows RNN-based and conventional classifiers to capture different patterns in clickstream data, a specific recommendation is to combine sequence and conventional classifiers in an ensemble. The paper shows such an ensemble to consistently outperform the alternative models considered in the study.

点击流数据是增强用户体验和追求电子商务中业务目标的重要来源。本文使用点击流数据来预测在线购物行为并实时定位营销干预。事实证明，这种由AI驱动的定位可以节省大量的营销成本并增加商店收入。先前的用户行为预测模型依赖于监督式机器学习（SML）。从概念上讲，SML不适合使用，因为它无法说明点击流数据的顺序结构。本文提出了一种能够利用递归神经网络（RNN）框架释放点击流数据全部潜力的方法。基于现实世界电子商务数据的经验评估会系统地评估多个RNN分类器，并将其与SML基准进行比较。为此，本文提出了一种衡量目标定位模式对收入的影响的方法。收入影响的估算值以及标准分类器性能指标的结果证明了基于RNN的点击流建模的可行性，并指导了采用深度循环学习者进行广告系列定位。鉴于经验分析显示基于RNN的分类器和常规分类器可捕获点击流数据中的不同模式，因此，一个具体的建议是将序列分类器和常规分类器组合在一起。本文显示了这样一种整体，其性能始终优于研究中考虑的替代模型。收入影响的估算值以及标准分类器性能指标的结果证明了基于RNN的点击流建模的可行性，并指导了采用深度循环学习者进行广告系列定位。鉴于经验分析显示基于RNN的分类器和常规分类器可捕获点击流数据中的不同模式，因此，一个具体的建议是将序列分类器和常规分类器组合在一起。本文显示了这样一种整体，其性能始终优于研究中考虑的替代模型。收入影响的估算值以及标准分类器性能指标的结果证明了基于RNN的点击流建模的可行性，并指导了采用深度循环学习者进行广告系列定位。鉴于经验分析显示基于RNN的分类器和常规分类器可捕获点击流数据中的不同模式，因此，一个具体的建议是将序列分类器和常规分类器组合在一起。本文显示了这样一种整体，其性能始终优于研究中考虑的替代模型。