Колєчкіна, Людмила МиколаївнаБородатюк, Дмитро МихайловичBorodatiuk, Dmytro2026-06-052026-06-052026-05-19Бородатюк Д. М. Математичне моделювання алгоритмів прогнозування довічної цінності користувачів у digital-кампаніях на основі багатовимірних даних : магістер. диплом. робота : 124, Системний аналіз / Бородатюк Дмитро Михайлович ; наук. керівник Колєчкіна Л. М. ; КНЕУ ім. Вадима Гетьмана , Навч.-наук. ін-т «Ін-т інформ. технологій в економіці», Каф. систем. аналізу та кібербезпеки. – Київ, 2026. – 89 с.https://ir.kneu.edu.ua/handle/2010/54990Роботу присвячено розробці та математичному моделюванню алгоритмів прогнозування довічної цінності користувачів (LTV) у digital-кампаніях на основі багатовимірних поведінкових даних. У дослідженні вирішено проблему екстремальної асиметрії даних (Zero-Inflation) шляхом розробки кастомної двохетапної бар’єрної моделі (Hurdle Model) та ансамблевих методів (Random Forest, XGBoost). Програмну реалізацію алгоритмів виконано мовою Python «з нуля». Експериментально доведено, що Hurdle Model забезпечує найвищу точність прогнозування на чистих даних, тоді як Random Forest демонструє максимальну стійкість в умовах інформаційного шуму. The thesis is devoted to the development and mathematical modeling of customer lifetime value (LTV) prediction algorithms in digital campaigns based on multidimensional behavioral data. The study solves the problem of extreme data asymmetry (Zero-Inflation) by developing a custom Two-Stage Hurdle Model and ensemble methods (Random Forest, XGBoost). The software implementation of the algorithms was done in Python «from scratch». It was experimentally proven that the Hurdle Model provides the highest prediction accuracy on clean data, while Random Forest demonstrates maximum robustness under information noise conditions.ukпрогнозування LTVмашинне навчаннябагатовимірні даніRandom ForestHurdle ModelLTV predictionmachine learningmultidimensional dataOther