ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

В современном мире интернет-магазины сталкиваются с огромными объемами данных и высоким уровнем конкуренции. Для успешного управления такими магазинами необходимо привлекать клиентов и оптимизировать маркетинговые стратегии для адаптации к меняющимся предпочтениям потребителей. Разработка маркетинговой информационной системы, основанной на интеллектуальных моделях и методах машинного обучения, позволяет автоматизировать эти процессы, предоставляя ценные данные для улучшения маркетинговых решений и повышения удовлетворенности клиентов.

Данная работа посвящена созданию рекомендательной системы, которая будет анализировать поведение потребителей и использовать полученные данные для персонализированных предложений, а также системы для оценки маркетинговых стратегий. Система нацелена на повышение лояльности клиентов через персонализированные рекомендации и поддержку владельцев интернет-магазинов в принятии обоснованных решений. В результате ожидается, что такие решения помогут интернет-магазинам увеличить продажи и повысить прибыль, оставаясь конкурентоспособными и адаптивными в условиях изменяющегося рынка.

1. Актуальность темы

Актуальность разработки маркетинговой информационной системы для интернет-магазинов обусловлена стремительным ростом электронной коммерции и усиливающейся конкуренцией на этом рынке. Современные потребители ожидают индивидуализированного подхода и высокого уровня удобства при покупках. В условиях большого выбора товаров пользователи чаще обращаются к персонализированным рекомендациям, что делает эффективные рекомендательные системы важным компонентом в структуре интернет-магазинов.

Использование интеллектуальных моделей и методов машинного обучения позволяет анализировать значительные объёмы данных о поведении пользователей и рыночных тенденциях. Это способствует не только повышению точности персонализированных предложений, но и позволяет оценивать эффективность маркетинговых стратегий. Такой подход позволяет интернет-магазинам улучшать взаимодействие с клиентами и адаптировать маркетинговые решения к меняющимся условиям. Разработка системы для персонализации и оценки маркетинговых стратегий является не только ответом на современные требования, но и стратегическим шагом для устойчивого роста и конкурентоспособности бизнеса.

2. Цель и задачи исследования, планируемые результаты

Целью данного исследования является разработка маркетинговой информационной системы для интернет-магазина, основанной на интеллектуальных моделях и методах машинного обучения. Система должна повысить эффективность персонализации предложений и оценки маркетинговых стратегий, что, в свою очередь, приведет к увеличению удовлетворенности клиентов и объёма продаж.

Для достижения этой цели необходимо решить следующие задачи:

  1. Анализ текущих методов — изучить существующие подходы к персонализации предложений и оценке маркетинговых стратегий, чтобы выявить их недостатки и возможности для улучшения.
  2. Разработка математических моделей — создать модели для персонализации предложений и оценки эффективности маркетинговых стратегий на основе анализа исторических данных и поведения клиентов.
  3. Интеграция данных — определить, какие данные необходимо собирать и как их интегрировать в систему для обеспечения её функциональности и точности.
  4. Создание рекомендательной системы — разработать алгоритмы, которые будут анализировать поведение пользователей и предлагать персонализированные рекомендации на основе их предпочтений.
  5. Оценка эффективности — определить метрики для оценки работы системы и провести тестирование с использованием реальных данных.

Планируемые результаты исследования включают:

3. Обзор исследований и разработок

В рамках данной магистерской работы основное внимание уделяется разработке математического аппарата и программной инфраструктуры маркетинговой информационной системы для интернет-магазинов. Система будет использовать интеллектуальные модели и технологии машинного обучения для повышения эффективности маркетинговых стратегий и улучшения персонализации предложений. В этом контексте критически важным является глубокое понимание существующих исследований и разработок в данной области, что позволит не только выявить наиболее перспективные направления и методы, но и определить потенциальные пробелы для дальнейшего исследования.

Целью данного обзора литературы является систематизация и анализ ключевых научных работ, связанных с применением машинного обучения в маркетинговых информационных системах интернет-магазинов. Рассмотрим значимые работы в этой области.

А. Р. Кутянин в статье «Рекомендательные системы: обзор основных постановок и результатов» [1] рассматривает основные методы рекомендательных систем, включая коллаборативную фильтрацию, контентные и гибридные подходы. Обсуждаются проблемы холодного старта и разреженности данных, что актуально для оптимизации персонализации предложений.

Диссертация В. А. Кокачева «Рекомендательные системы в контексте технологий больших данных» [2] делает акцент на использование больших данных для усиления персонализации и прогнозирования поведения покупателей. Описаны методы коллаборативной фильтрации, контент-базированные и гибридные подходы, которые могут быть адаптированы для задач интернет-магазина, таких как создание персонализированных предложений и маркетинговая стратегия.

Доктор Мургаи в статье «Преобразование цифрового маркетинга с помощью ИИ» [3] исследует влияние ИИ на цифровой маркетинг, подчеркивая его роль в анализе больших данных, управлении клиентскими отношениями и персонализации рекламы. Особенно важен ИИ в маркетинге в реальном времени для точного прогнозирования поведения клиентов.

В работе Х. Албелади, Б. Зафара, А. Муина «Прогнозирование временных рядов с использованием LSTM и ARIMA» [4] сравниваются две модели: LSTM и ARIMA. LSTM лучше работает с долгосрочными зависимостями, а ARIMA подходит для краткосрочного прогнозирования, что может быть полезно для анализа изменений в поведении клиентов и оценки стратегий в интернет-магазинах.

Статья В.А. Рябовой «Применение машинного обучения в маркетинге» [5] фокусируется на использовании ИИ для улучшения маркетинговых стратегий, особенно в контексте пандемии COVID-19. Примеры адаптации стратегий с помощью ИИ могут быть полезны для улучшения взаимодействия с клиентами.

Исследование Н.К. Андриевской и коллег [6] анализирует применение статистических методов и нейросетей для прогнозирования цен на лекарства. Использование LSTM и других методов подтверждает их пригодность для анализа динамичных рынков, что может быть полезным для адаптации маркетинговых стратегий интернет-магазинов.

Работа Т.А. Васяевой и коллег [7] посвящена прогнозированию цен акций с использованием рекуррентных нейронных сетей (RNN). Применение GRU и LSTM для финансовых временных рядов может быть адаптировано для анализа потребительских тенденций и оценки маркетинговых стратегий в интернет-магазинах.

В работе И.Э. Агаметова и Е.А. Вечкинзовой «Применение ИИ и машинного обучения в цифровом маркетинге» [8] исследуется влияние ИИ на маркетинговые стратегии с акцентом на персонализацию и прогнозирование поведения потребителей с использованием больших данных. Работа подчёркивает стратегические преимущества интеграции ИИ в бизнес-процессы, что способствует разработке эффективной маркетинговой информационной системы для интернет-магазина.

А.Н. Федоровский и В.К. Логачева в статье «Архитектура рекомендательной системы на основе неявных оценок» [9] рассматривают методы работы с неявными данными пользователей для формирования персонализированных предложений. Исследование описывает технологические решения, такие как матричная факторизация и BRISMF, которые могут улучшить точность прогнозов и персонализацию предложений в интернет-магазинах.

В статье А.Г. Гомзина и А.В. Коршунова «Системы рекомендаций: обзор современных подходов» [10] анализируются методы коллаборативной фильтрации и гибридные подходы, помогающие преодолеть такие проблемы, как «холодный старт». Это исследование полезно для повышения эффективности персонализации предложений интернет-магазина.

В.С. Старостин в статье «Трансформация маркетинговых технологий в эпоху ИИ» [11] рассматривает, как ИИ трансформирует маркетинг, делая его более адаптивным и эффективным. Исследование подчеркивает роль анализа больших данных и машинного обучения в создании целевых маркетинговых стратегий, что может быть применимо к разработке маркетинговой системы интернет-магазина.

В статье В.О. Вовченко, В.А. Светличной, Н.К. Андриевской «Формирование датасета для решения задач машинного обучения» [12] рассматриваются методы создания и предобработки данных для машинного обучения, включая обработку текстов с использованием NLP. Особое внимание уделяется токенизации, удалению стоп-слов, стеммингу и лемматизации. Это исследование полезно для улучшения качества данных и точности алгоритмов машинного обучения в маркетинговых системах.

Н.К. Андриевская и Т.В. Мартыненко в статье «Разработка алгоритмов предобработки информации для прогнозных моделей ИСППР управления закупками» [13] обсуждают алгоритмы очистки, нормализации и сглаживания данных для повышения точности моделей. Применение таких методов может значительно улучшить точность рекомендательных систем и анализа данных интернет-магазинов.

К.С. Хачатурян и коллеги в статье «Искусственный интеллект в маркетинге как новая концепция» [14] исследуют возможности ИИ для повышения эффективности маркетинга, включая анализ данных пользователей и разработку персонализированных стратегий. Использование ИИ в маркетинговых информационных системах может значительно улучшить взаимодействие с клиентами и повысить эффективность бизнес-процессов.

4. Технологии и методы реализации системы

Изучив различные подходы и источники по персонализации маркетинговых предложений и оценке маркетинговых стратегий, можно сделать вывод, что наиболее эффективными для реализации маркетинговой информационной системы интернет-магазина являются методы, обеспечивающие высокую точность анализа предпочтений клиентов, гибкость в работе с большими объемами данных и возможность адаптации к изменяющимся рыночным условиям.

4.1 Выбор методов для анализа клиентских предпочтений и оценки маркетинговых стратегий

Данные для работы взяты из интернет-магазина цветов и десертов, и для анализа поведения клиентов и эффективности маркетинговых стратегий предлагается использовать гибридный подход, сочетающий два основных метода: ARIMA и LSTM. Такой подход позволяет учитывать как краткосрочные, так и долгосрочные изменения в потребительских предпочтениях и откликах на маркетинговые кампании.

ARIMA (Автокорреляционная интегрированная модель скользящего среднего) является эффективным методом для анализа краткосрочных изменений в поведении клиентов. Она хорошо работает с данными, которые демонстрируют сезонные и временные тренды, что особенно важно для таких товаров, как цветы и десерты, с характерными всплесками спроса в периоды праздников или особых событий. Это помогает владельцам бизнеса адаптировать маркетинговые кампании под текущие условия и планировать рекламные акции.

С другой стороны, LSTM (Long Short-Term Memory), основанная на рекуррентных нейронных сетях, подходит для анализа более сложных временных зависимостей и долгосрочных трендов в предпочтениях клиентов. LSTM способна «запоминать» долгосрочные зависимости в данных, что делает её идеальной для анализа длительных интервалов, таких как эффекты от маркетинговых кампаний или внедрения новых товаров. Она особенно полезна при оценке изменений в предпочтениях клиентов и позволяет адаптировать стратегию в ответ на выявленные тренды.

Использование гибридного подхода предоставляет несколько ключевых преимуществ:

4.2 Алгоритмы для персонализированных предложений

Для персонализации предложений наилучшим решением является комбинированное использование коллаборативной и контентной фильтрации. Оба подхода обеспечивают гибкость и точность в создании персонализированных предложений, основываясь как на поведении пользователя, так и на характеристиках товаров. Рассмотрим каждый из этих методов подробнее.

Коллаборативная фильтрация (Collaborative Filtering) основана на предположении, что если пользователи с похожими интересами приобретают схожие товары, они, вероятно, будут заинтересованы в аналогичных предложениях в будущем. Этот метод анализирует данные о предпочтениях пользователей и покупках других клиентов, выявляя паттерны, чтобы предложить соответствующие товары. Матричная факторизация — один из ключевых алгоритмов коллаборативной фильтрации — позволяет разложить данные на матрицу пользователей и матрицу товаров:

Формула первая

где:

Для интернет-магазина цветов и десертов этот метод особенно полезен, поскольку он позволяет предложить пользователям персонализированные рекомендации, даже если они не заполнили анкету с предпочтениями или не имеют подробного профиля.

Сценарии использования:

Контентная фильтрация (Content-Based Filtering) опирается на атрибуты товаров и индивидуальные предпочтения пользователей. Этот метод анализирует, какие товары пользователю нравились в прошлом, и предлагает аналогичные на основе характеристик, таких как сорт цветов или ингредиенты десертов.

Контентная фильтрация особенно полезна для клиентов с чёткими предпочтениями, поскольку она позволяет генерировать предложения, соответствующие их предпочтениям в деталях.

Сценарии использования:

Оптимальный подход для данной системы — это гибридная модель, которая сочетает коллаборативную и контентную фильтрацию. Это позволит учесть как индивидуальные предпочтения пользователей, так и общие паттерны покупок. Гибридная система сочетает в себе преимущества обеих технологий, избегая их основных недостатков (например, проблема «холодного старта» в коллаборативной фильтрации и ограниченность предложений в контентной фильтрации). Схемы работы коллаборативной и контентной фильтрации представлены на рисунке 1.

Схемы работы коллаборативной фильтрации и контентной фильтрации

Рисунок 1 – Схемы работы коллаборативной фильтрации и контентной фильтрации

4.3 Интеграция машинного обучения

Интеграция методов машинного обучения в маркетинговую информационную систему интернет-магазина имеет ключевое значение для повышения точности персонализации и анализа больших объемов данных. Наиболее эффективными алгоритмами для выполнения этих задач являются методы ансамблевого обучения, такие как случайный лес (Random Forest) и градиентный бустинг (GBM), а также нейронные сети, которые демонстрируют высокую эффективность при работе с временными рядами и данными о поведении клиентов.

Случайный лес (Random Forest) — это алгоритм машинного обучения, основанный на ансамбле деревьев решений, известный своей устойчивостью к переобучению и высокой точностью при анализе данных. В контексте интернет-магазина этот алгоритм можно использовать для сегментации клиентов и анализа их предпочтений, выявляя, например, скрытые паттерны в поведении и реакции на маркетинговые кампании. Случайный лес способен обрабатывать как числовые, так и категориальные данные, что делает его универсальным инструментом для задач, связанных с персонализацией и оценкой стратегий. Работа метода представлена на рисунке 2.

Вид работы упрощённого метода случайный лес

Рисунок 2 – Вид работы упрощённого метода случайный лес

Градиентный бустинг (GBM) — ещё один ансамблевый метод, который строит модели последовательно, фокусируясь на минимизации ошибок предыдущих. Одним из наиболее популярных вариантов GBM является XGBoost, который показывает высокую производительность при работе с большими и сложными данными. В отличие от случайного леса, GBM хорошо подходит для детализированного анализа эффективности маркетинговых стратегий, выявления слабых мест и точной персонализации, так как концентрируется на ошибках, упущенных более простыми моделями. Это делает GBM идеальным для задач, связанных с оптимизацией маркетинговых кампаний с учётом множества факторов. На рисунке 3 показано, как происходит обучение на ошибках предыдущих моделей для улучшения предсказаний.

Представление работы градиентного бустинга

Рисунок 3 – Представление работы градиентного бустинга

Эти методы обеспечивают гибкость и точность при анализе потребительского поведения и эффективности маркетинговых стратегий, что позволяет интернет-магазину адаптировать маркетинговые усилия и персонализировать предложения на основе детализированных данных.

4.4 Предобработка данных

Предобработка данных играет ключевую роль в обеспечении качества входных данных для анализа и персонализации предложений. Она включает несколько важных этапов: очистку данных, нормализацию и обработку пропущенных значений. Очистка данных позволяет устранить дубликаты, выбросы и ошибки, которые могут искажать результаты анализа. Нормализация приводит данные к единому масштабу, что помогает сбалансировать влияние различных переменных, таких как цены и частота покупок. Для обработки пропущенных значений используются методы заполнения средним или наиболее вероятными значениями, что минимизирует потери информации и поддерживает целостность данных.

Дополнительно, значимым аспектом является применение методов обработки естественного языка (NLP) для анализа отзывов и других текстовых данных. Методы NLP, такие как токенизация, лемматизация и анализ тональности, позволяют выявить ключевые слова и оценить эмоциональную окраску отзывов, что помогает системе формировать более точные персонализированные предложения и анализировать уровень удовлетворенности клиентов. Эти данные позволяют улучшать маркетинговые стратегии и предлагать продукты на основе реального опыта и предпочтений пользователей, что способствует повышению лояльности и увеличению повторных покупок.

Выводы

В ходе исследования был проведён анализ существующих методов персонализации предложений и оценки маркетинговых стратегий. На основе полученных данных предложено использовать гибридную модель, сочетающую ARIMA и LSTM, для анализа краткосрочных и долгосрочных изменений в предпочтениях клиентов и оценки эффективности маркетинговых кампаний. Этот подход позволяет учесть как текущие интересы клиентов, так и долгосрочные тренды, что критично для адаптации маркетинговых стратегий интернет-магазина.

Для персонализации маркетинговых предложений была выбрана гибридная система, сочетающая коллаборативную и контентную фильтрацию. Это решение позволяет учитывать как индивидуальные предпочтения пользователей, так и характеристики самих товаров, повышая точность рекомендаций и улучшая взаимодействие с клиентами.

Реализация предложенных методов и моделей позволит интернет-магазину повысить эффективность маркетинговых стратегий, увеличить лояльность клиентов и улучшить показатели удовлетворённости. В долгосрочной перспективе это способствует росту продаж и повышению общей рентабельности бизнеса.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: май 2025 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Кутянин, А. Р. Рекомендательные системы: обзор основных постановок и результатов / А. Р. Кутянин // Интеллектуальные системы. Теория и приложения — 21:4 — 2017, — С. 18–30.
  2. Кокачев, В. А. Рекомендательные системы в контексте технологий больших данных : дис. : защищена 2018 / Кокачев Виктор Алексеевич. — Санкт-Петербург, 2018 — 43 с.
  3. Transforming Digital Marketing with Artificial Intelligence / Dr. Amol Murgai // International Journal of Latest Technology in Engineering, Management & Applied Science (IJLTEMAS). — Volume VII. — Issue IV. — April 2018. — p. 259-262.
  4. Time Series Forecasting using LSTM and ARIMA / Khulood Albeladi, Bassam Zafar, Ahmed Mueen // International Journal of Advanced Computer Science and Applications (IJACSA). — Vol. 14. — No. 1. — 2023. — p. 313-320.
  5. Рябова, В. А. Применение машинного обучения в маркетинге / В. А. Рябова // Инновации и инвестиции. — №4. — 2022, — с. 74-75.
  6. Андриевская, Н. К. Применение статистических методов, кластерного анализа и нейро-сетевых технологий при прогнозировании закупочных цен лекарств / Н. К. Андриевская, Т. В. Мартыненко, Т. А. Васяева // Проблемы искусственного интеллекта. – 2023. – № 4(31). – С. 41-55. – DOI 10.34757/2413-7383.2023.31.4.005.
  7. Stock Prices Dynamics Forecasting with Recurrent Neural Networks / T. Vasyaeva, T. Martynenko, S. Khmilovyi, N. Andrievskaya // Открытые семантические технологии проектирования интеллектуальных систем. – 2020. – No. 4. – P. 277-282.
  8. Агаметов, И. Э. Применение искусственного интеллекта и машинного обучения в практике цифрового маркетинга [Электронный ресурс] / И. Э. Агаметов, Е. А. Вечкинзова // Креативная экономика. — 2023. — Т.17. – № 8. — с. 2745-2760. – Режим доступа : https://1economic.ru/lib/118923?ysclid=lw51s4ydzu341923755 (дата обращения: 21.05.2024).
  9. Федоровский, А. Н. Архитектура рекомендательной системы, работающей на основе неявных пользовательских оценок / А. Н. Федоровский, В. К. Логачева // Всероссийской научной конференции «Электронные библиотеки: перспективные методы и технологии, электронные коллекции» - RCDL’2011. – Воронеж, Россия, 2011. – с. 53-59.
  10. Гомзин, А. Г. Системы рекомендаций: обзор современных подходов / А. Г. Гомзин , А. В. Коршунов // Труды Института системного программирования РАН. — 2012;22. — с. 401-418.
  11. Старостин, В. С. Трансформация маркетинговых технологий в эпоху машинного интеллекта / В. С. Старостин // Вестник ГУУ. 2018. — №1. — с. 28-34.
  12. Вовченко, В. О. Формирование датасета для решения задач машинного обучения / В. О. Вовченко, В. А. Светличная, Н. К. Андриевская // Информатика и кибернетика. – 2023. – № 2(32). – С. 5-12.
  13. Андриевская, Н. К. Разработка алгоритмов предобработки информации для прогнозных моделей ИСППР управления закупками / Н. К. Андриевская, Т. В. Мартыненко // Информатика и кибернетика. – 2023. – № 3(33). – С. 11-18.
  14. Хачатурян, К. С. Искусственный интеллект в маркетинге как новая концепция и бизнес-возможность для повышения эффективности компаний [Электронный ресурс] / К. С. Хачатурян, С. В. Пономарева, Н. В. Корюшов // Вестник евразийской науки. — 2023. — Т. 15. — № 3. – Режим доступа : https://esj.today/PDF/55ECVN323.pdf (дата обращения: 21.05.2024).