Machine learning technology is recently being applied to various fields. However, in the field of online consumer conversion, research is limited despite the high possibility of machine learning application due to the availability of big data. In this context, we investigate the following three research questions. First, what is the suitable machine learning model for predicting online consumer behavior? Second, what is the good data sampling method for predicting online con-sumer behavior? Third, can we interpret machine learning’s online consumer behavior prediction results? We analyze 374,749 online consumer behavior data from Google Merchandise Store, an online shopping mall, and explore research questions. As a result of the empirical analysis, the performance of the ensemble model eXtreme Gradient Boosting model is most suitable for pre-dicting purchase conversion of online consumers, and oversampling is the best method to mitigate data imbalance bias. In addition, by applying explainable artificial intelligence methods to the context of retargeting advertisements, we investigate which consumers are effective in retargeting advertisements. This study theoretically contributes to the marketing and machine learning lit-erature by exploring and answering the problems that arise when applying machine learning models to predicting online consumer conversion. It also contributes to the online advertising literature by exploring consumer characteristics that are effective for retargeting advertisements.

中文翻译：

---

机器学习算法对在线购买转化预测的比较与解释

机器学习技术最近被应用于各个领域。但是，在在线消费者转换领域，由于大数据的可用性，尽管机器学习应用的可能性很高，但研究仍然很有限。在这种情况下，我们调查以下三个研究问题。首先，什么是预测在线消费者行为的合适机器学习模型？其次，什么是预测在线消费者行为的良好数据采样方法？第三，我们可以解释机器学习的在线消费者行为预测结果吗？我们分析了来自在线商城Google Merchandise Store的374,749个在线消费者行为数据，并探讨了研究问题。作为实证分析的结果，集成模型eXtreme Gradient Boosting模型的性能最适合预测在线消费者的购买转化，而过度采样是减轻数据不平衡偏差的最佳方法。此外，通过将可解释的人工智能方法应用于重定向广告的上下文，我们调查了哪些消费者可以有效地重定向广告。这项研究在理论上通过探索和回答在将机器学习模型应用于预测在线消费者转化时出现的问题，为营销和机器学习领域做出了贡献。通过探索有效地重新定向广告的消费者特征，它也为在线广告文献做出了贡献。过采样是减轻数据不平衡偏差的最佳方法。此外，通过将可解释的人工智能方法应用于重定向广告的上下文，我们调查了哪些消费者可以有效地重定向广告。这项研究在理论上通过探索和回答在将机器学习模型应用于预测在线消费者转化时出现的问题，为营销和机器学习领域做出了贡献。通过探索有效地重新定向广告的消费者特征，它也为在线广告文献做出了贡献。过采样是减轻数据不平衡偏差的最佳方法。此外，通过将可解释的人工智能方法应用于重定向广告的上下文，我们调查了哪些消费者可以有效地重定向广告。这项研究在理论上通过探索和回答在将机器学习模型应用于预测在线消费者转化时出现的问题，为营销和机器学习领域做出了贡献。通过探索有效地重新定向广告的消费者特征，它也为在线广告文献做出了贡献。这项研究在理论上通过探索和回答在将机器学习模型应用于预测在线消费者转化时出现的问题，为营销和机器学习领域做出了贡献。通过探索有效地重新定向广告的消费者特征，它也为在线广告文献做出了贡献。这项研究在理论上通过探索和回答在将机器学习模型应用于预测在线消费者转化时出现的问题，为营销和机器学习领域做出了贡献。通过探索有效地重新定向广告的消费者特征，它也为在线广告文献做出了贡献。