Аннотация:

Бражников В.А., Андриевская Н.К. Разработка маркетинговой информационной системы интернет-магазина на базе интеллектуальных моделей. Статья посвящена разработке рекомендательной системы для интернет-магазина, нацеленной на управление запасами и прогнозирование спроса с использованием интеллектуальных моделей на базе машинного обучения. Проведен анализ текущих исследований в области разработки маркетинговых информационных систем, выполнен выбор технологий и основных подходов для реализации системы. Особое внимание уделено архитектуре разрабатываемой системы.

Ключевые слова: рекомендательные системы, маркетинговые информационные системы, машинное обучение, управление запасами, прогнозирование спроса, интернет-магазины.

Annotation

Brazhnikov V.A., Andrievskaya N.K. Development of a Marketing Information System for an Online Store Based on Intelligent Models. The article is dedicated to the development of a recommendation system for an online store aimed at inventory management and demand forecasting using intelligent models based on machine learning. An analysis of current research in the field of marketing information systems development has been conducted, and the technologies and main approaches for implementing the system have been selected. Special attention is paid to the architecture of the developed system.

Keywords: recommendation systems, marketing information systems, machine learning, inventory management, demand forecasting, online stores.

Введение

В эпоху цифровизации и роста электронной коммерции эффективность маркетинговых стратегий играет решающую роль в успехе бизнеса. Особенно важной становится способность предпринимателей адаптироваться к меняющимся условиям рынка и оптимизировать управление запасами. В этом контексте ключевую роль играют маркетинговые информационные системы, основанные на принципах интеллектуального анализа данных и машинного обучения.

Целью данной статьи является исследование возможностей создания рекомендательной системы для интернет-магазина, ориентированной не только на конечных пользователей, но и на поддержку владельцев бизнеса в принятии стратегических решений. Это исследование направлено на разработку системы, которая способствует прогнозированию спроса и оптимизации запасов на основе анализа поведения потребителей и маркетинговых данных.

Ожидается, что результаты исследования покажут, как современные технологии анализа данных могут улучшить не только индивидуальное предложение товаров, но и общую эффективность управления запасами и маркетинговыми стратегиями.

Основные методы и технологии

Современные маркетинговые информационные системы (МИС) интенсивно развиваются под влиянием цифровизации и использования машинного обучения. Это обусловлено способностью последних анализировать большие объемы данных, что позволяет не только улучшать понимание потребительского поведения, но и повышать точность прогнозирования спроса и предпочтений клиентов. Актуальность применения машинного обучения в маркетинговых информационных системах неоспорима, что подтверждается многочисленными исследованиями в данной области. Рассмотрим основные направления, на которые сосредоточено внимание ученых и практиков:

1. Интеграция с большими данными и AI: современные МИС активно интегрируют технологии искусственного интеллекта (AI) и больших данных для улучшения маркетинговых стратегий. Использование AI в маркетинге приводит к разработке более точных моделей потребительского поведения, улучшает персонализацию предложений и оптимизирует маркетинговые кампании [1].
2. Прогнозирование и оптимизация: алгоритмы машинного обучения, такие как нейронные сети, решающие деревья и ансамблевые методы, используются для прогнозирования потребностей рынка и управления клиентской базой. Такое применение технологий позволяет не только реагировать на текущие тренды, но и предвосхищать изменения в потребительском спросе. В работе [2] показано преимущество прогнозной модели на базе нейронной сети архитектуры LSTM при решении задачи прогнозирования закупочных цен лекарств, что подтверждается и выводами других авторов [3-4].
3. Персонализация и целевое взаимодействие: персонализация становится ключевым элементом в МИС, обеспечивая не только адаптацию содержания и предложений под конкретного пользователя, но и оптимизацию клиентского опыта. Такой подход повышает эффективность маркетинговых кампаний и увеличивает лояльность клиентов.

Примера из практики являются:

• Интеллектуальные CRM системы: использование AI в системах управления клиентскими отношениями (CRM) позволяет автоматизировать обновление данных, улучшать их точность и оптимизировать управление взаимоотношениями с клиентами.
• Предиктивная аналитика в розничной торговле: компании применяют машинное обучение для анализа покупательских паттернов, что помогает в оптимизации запасов и предложении товаров, соответствующих текущим требованиям потребителей.

Существует несколько проблем, которые активно исследуются в рамках развития МИС и применения машинного обучения:

• Интеграция разнородных данных: одной из ключевых проблем является способность систем к обработке и анализу данных из различных источников и их интеграция в единую информационную систему.
• Защита данных и приватность: в связи с увеличением объемов обрабатываемой информации встает вопрос о защите данных и соблюдении правил конфиденциальности, что требует новых подходов к обеспечению безопасности информационных систем.
• Этические вопросы AI: внедрение машинного обучения в маркетинг также поднимает вопросы этичности, связанные с использованием алгоритмов для принятия решений, которые могут влиять на поведение потребителей.

Эти направления формируют текущий ландшафт исследований в области маркетинговых информационных систем и применения машинного обучения, показывая динамику развития и новые возможности для улучшения маркетинговых стратегий и операций.

Рекомендательные системы, традиционно используемые в интернет-магазинах для персонализации предложений пользователям, все чаще находят применение в управленческих задачах. Особенно важной становится их роль в прогнозировании спроса и управлении запасами. Используя сложные алгоритмы, такие системы могут существенно повысить эффективность операционной деятельности, минимизировать издержки и оптимизировать процессы закупок.

Например, применение алгоритмов коллаборативной фильтрации позволяет интернет-магазинам анализировать исторические данные о покупках и предпочтениях покупателей. Так компания Amazon использует коллаборативную фильтрацию для создания персонализированных рекомендаций, что также позволяет анализировать будущий спрос на определенные товары и соответственно адаптировать уровни запасов [5]. Контент-ориентированные системы рекомендаций анализируют атрибуты товаров, такие как категория, цена, или характеристики, чтобы предложить похожие или дополнительные товары, которые могут заинтересовать покупателей. Такие системы особенно полезны для управления запасами в модной индустрии, где тренды быстро меняются, и нужно точно понимать, какие товары стоит закупать в большем объеме. Кроме того, использование машинного обучения для динамического управления запасами. Примером может служить компания Zara, которая использует продвинутые алгоритмы машинного обучения для анализа покупательских предпочтений и быстрого реагирования на изменяющиеся модные тенденции [6]. Системы машинного обучения позволяют Zara минимизировать излишки и дефициты, оптимизируя закупки и распределение товаров по магазинам.

Рекомендательные системы, интегрированные с операционными данными интернет-магазинов, могут значительно повысить операционную эффективность. Использование данных из этих систем помогает не только в планировании запасов, но и в снижении затрат на хранение за счет точного прогнозирования спроса и оптимизации ассортимента. Это приводит к более высокому уровню удовлетворенности клиентов и повышению общей рентабельности бизнеса. То есть это мощный инструмент для интернет-магазинов, стремящихся оптимизировать свои операции и достигать конкурентного преимущества в быстро меняющейся рыночной среде.

Существующие исследования маркетинговых информационных систем в большей степени сосредоточены на улучшении пользовательского опыта и персонализации предложений для конечных пользователей. Это оставляет недостаточно внимания аспектам, связанным с управлением бизнесом, таким как управление запасами и адаптация к изменениям рыночных условий в реальном времени [7]. Большинство систем фокусируются на повышении конверсии и удержании клиентов, минуя глубокий анализ операционных потребностей владельцев бизнеса.

Текущие исследования машинного обучения в контексте маркетинговых информационных систем часто ограничиваются общим анализом потребительского поведения, не затрагивая специфические аспекты прогнозирования спроса и управления запасами в условиях быстро меняющихся трендов. Существует необходимость в разработке моделей, которые могли бы эффективно адаптироваться к изменениям рынка и предоставлять данные для стратегического планирования в режиме реального времени.

Разработка интеллектуальной рекомендательной системы для интернет-магазина цветов и десертов имеет потенциал для значительной оптимизации внутренних процессов и повышения эффективности маркетинговых стратегий. Анализ данных из истории покупок и поведения пользователей позволяет принимать более осмысленные и ориентированные на данные решения по управлению запасами и спросом.

Внедрение такой системы позволит бизнесу адаптировать запасы в соответствии с текущими и прогнозируемыми трендами потребления, что сократит излишние расходы на хранение невостребованной продукции. Автоматическая настройка маркетинговых кампаний на основе предпочтений и поведения клиентов увеличит их эффективность и рентабельность. Персонализация предложений улучшит клиентский сервис, повысив лояльность и частоту повторных покупок.

Разработка структурной и функциональной модели системы

Данная работа направлена на обоснование актуальности разработки новой модели рекомендательной системы, которая ориентирована не только на потребности конечных пользователей, но и на управленческие аспекты, такие как оптимизация запасов и адаптация к рыночным условиям. Это было достигнуто через интеграцию продвинутых алгоритмов машинного обучения, способных анализировать большие объемы данных и предоставлять точные прогнозы в динамичной рыночной среде. Основной упор сделан на создание инструментов для эффективного принятия решений, способствующих оптимизации операционной деятельности и уменьшению издержек.

Многие текущие модели машинного обучения не учитывают специфику менеджерских задач в сфере управления запасами, а также технологические решения фокусируются на маркетинговых кампаниях и клиентском взаимодействии, оставляя в стороне аспекты управления запасами и ресурсами.

Для анализа данных и предсказания поведения пользователей в проекте рекомендательной системы рассмотрим использование следующих технологий и алгоритмов машинного обучения:

1. Решающие деревья и случайные леса, используются для классификации клиентов и прогнозирования их поведения, анализируя исторические данные. Случайные леса, состоящие из множества решающих деревьев, улучшают точность и устойчивость предсказаний за счет усреднения результатов.
2. Алгоритмы коллаборативной фильтрации. Эти алгоритмы формируют основу для создания персонализированных рекомендаций путем анализа сходства в поведении и предпочтениях различных пользователей.
3. Градиентный бустинг: применяется для повышения точности предсказаний, особенно в задачах с большим объемом данных и сложными шаблонами поведения.

Основной идеей является, что градиентный бустинг строит модель предсказаний путем последовательного добавления слабых моделей, обычно деревьев, таким образом, чтобы каждая следующая модель корректировала ошибки предыдущих.

Выбор алгоритма для рекомендательной системы зависит от специфических требований к проекту, доступных данных и желаемой степени точности прогнозирования.

Данные для анализа были получены из дампа базы данных интернет-магазина цветов и десертов. Этот дамп включает информацию о транзакциях клиентов, их взаимодействиях с сайтом, а также отзывы на продукцию. Эти данные предоставляют ценную информацию о покупательских предпочтениях и поведении клиентов.

Для хранения собранных данных используется система управления базами данных PostgreSQL. PostgreSQL известна своей высокой производительностью и поддержкой сложных запросов, что делает её идеальной для работы с большими объемами данных и комплексными аналитическими операциями. Благодаря мощным возможностям в области транзакционной обработки и поддержке SQL-стандартов, PostgreSQL позволяет эффективно обрабатывать данные, поступающие из различных источников, и обеспечивает быстрый доступ к необходимой информации для анализа и прогнозирования. Соблюдение требований по безопасности данных и конфиденциальности поддерживается за счет использования механизмов шифрования и управления доступом, что важно для соответствия нормативным требованиям, таким как GDPR [8].

Для прогнозирования спроса и управления запасами использованы следующие модели машинного обучения:

1. Прогнозирование временных рядов: использование моделей ARIMA и LSTM для анализа временных рядов продаж, позволяющее предсказывать будущий спрос на товары [9].
2. Оптимизация запасов: разработка оптимизационной модели на основе исторических данных о продажах и текущих запасах для минимизации издержек на хранение и сокращения дефицита товаров.

Рекомендательная система интегрирована с существующей инфраструктурой интернет-магазина, что включает подключение к базе данных PostgreSQL магазина для доступа к актуальным данным о продуктах, заказах и клиентском поведении, а также синхронизация и совместимость с CMS магазина для управления продуктовыми данными и маркетинговым контентом, взаимодействие с системами управления заказами и CRM. Интеграция позволит обмениваться данными о клиентских заказах и предпочтениях, что усилит точность рекомендаций и общую клиент-ориентированность сервиса.

Архитектура рекомендательной системы основывается на монолитной структуре, что облегчает разработку, тестирование и развертывание благодаря тесной интеграции всех компонентов.

Существенная часть необработанных наборов данных слабо структурирована или содержит большое количество отсутствующих значений. Это делает невозможным последующую обработку данных некоторыми методами. В связи с этим реализованы основные этапы предварительной обработки данных, такие как, очистка данных, заполнение недостающих значений, сглаживание временного ряда, нормализация переменных [10]. Процессы нормализации и стандартизации существенно повышают эффективность метрических алгоритмов классификации: метода ближайшего соседа (k- Nearest Neighbors), метода k-средних (k-means), метода машин опорных векторов (Support Vector Machine) [11].

Центральный модуль сбора данных напрямую интегрирован с базой данных интернет-магазина, обрабатывая сырые данные для подготовки к анализу, включая удаление шума, заполнение пропущенных значений и преобразование категориальных данных.

Основным компонентом системы является модуль машинного обучения, который использует различные алгоритмы для генерации персонализированных рекомендаций на основе поведения и предпочтений пользователей. Единый пользовательский интерфейс позволяет взаимодействовать с системой, настраивать параметры рекомендаций и мониторить результаты. Архитектура разработанной системы в виде укрупненной диаграммы размещения компонентов представлена на рисунке 1.

Рабочая станция клиента включает блок выполнения Windows 11 OS с браузером и клиентским приложением, которое взаимодействует с веб-сервером через HTTP-запросы и ответы. Веб-сервер, работающий на Apache 2.4, содержит среду выполнения Django для серверного приложения. Ключевые компоненты приложения - модуль интеграции с CRM и ERP, включающий REST API для интеграции магазинов и систему интеграции на основе очередей магазинов, модуль аутентификации для обработки подлинности пользователей и управления сессиями, модули для выполнения бизнес-процессов и интерфейс администратора/пользователя для управления системой.

Внешние компоненты приложения - модуль сбора и обработки данных, модуль машинного обучения и конвейер интеллектуальной обработки данных. Модули сбора и обработки данных и машинного обучения направляют данные в конвейер, логически группируя их как часть единой системы обработки данных. Сервер данных включает базу данных PostgreSQL, используемую для хранения всех данных системы.

Разработанная архитектура обеспечивает интеграцию всех необходимых компонентов для создания эффективной рекомендательной системы, поддерживающей как пользователей, так и владельцев бизнеса.

Выводы

В статье представлен анализ текущего состояния и существующие исследования в области маркетинговых информационных систем с акцентом на использование машинного обучения для повышения эффективности интернет-магазинов. Проанализированы подходы к рекомендательным системам и предложена концепция, ориентированная на задачи прогнозирования спроса и управления запасами. Разработка такой системы важна как для академических исследований, так и для практического применения, предлагая новое понимание и улучшение операционной эффективности интернет-магазинов.

Традиционные методы управления запасами и прогнозирования спроса часто опираются на исторические данные и ручной анализ, что не всегда позволяет оперативно реагировать на изменения рынка. В отличие от этого, предлагаемая система использует алгоритмы машинного обучения, обрабатывающие большие объемы данных в реальном времени, что обеспечивает более точный и адаптивный подход к анализу спроса. Преимущества включают быструю адаптацию к изменениям на рынке, снижение ошибок прогнозирования и автоматизацию процессов сбора и анализа данных.

Такая система не только улучшает текущие бизнес-процессы, но и предоставляет платформу для дальнейшего развития и инноваций в области маркетинговой аналитики и управления запасами. Она устанавливает новые стандарты в эффективности и клиентоориентированности, предлагая значительные теоретические и практические преимущества для управления интернет-магазином.

Однако в процессе разработки и интеграции системы могут возникнуть технические и управленческие проблемы. Обработка больших объемов данных в реальном времени требует высокой вычислительной мощности и оптимизированной архитектуры, а обеспечение безопасности и конфиденциальности данных является критической задачей. Управленческие сложности могут возникнуть из-за сопротивления изменениям со стороны компании, а также из-за зависимости от технологических партнеров и поставщиков ПО.

После разработки и тестирования прототипа системы открываются новые возможности для дальнейших исследований. Это включает углубленный анализ поведения пользователей для улучшения алгоритмов машинного обучения, разработку методов работы с неструктурированными данными, такими как отзывы и комментарии, и интеграцию с современными технологиями искусственного интеллекта для обработки изображений и видео. Исследование влияния таких систем на лояльность клиентов и их покупательское поведение может подтвердить их практическую значимость и экономическую выгоду для бизнеса.

Эти направления способствуют технологическому развитию интернет-магазинов и дают новый толчок для академических исследований в области маркетинговых информационных систем и машинного обучения, обеспечивая рост научного и практического знания в этой области.

Представленные подходы создают фундамент для дальнейшей разработки и тестирования маркетинговой информационной системы, способной адаптироваться к изменениям рынка и повышать конкурентоспособность интернет-магазинов.

Литература

1. Агаметов И.Э. Применение искусственного интеллекта и машинного обучения в практике цифрового маркетинга / И.Э. Агаметов, Е.А. Вечкинзова // Креативная экономика. — 2023. — Т.17. – № 8. — с. 2745-2760. URL: https://1economic.ru/lib/118923?ysclid=lw51s4ydzu341923755 (дата обращения: 21.05.2024).
2. 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.
3. Stock Prices Forecasting with LSTM Networks / T. Vasyaeva, T. Martynenko, S. Khmilovyi, N. Andrievskaya // Communications in Computer and Information Science. – 2019. – Vol. 1093. – P. 59-69. – DOI 10.1007/978-3-030-30763-9_5.
4. 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.
5. Safa Bouguezzi, Milos Simic How Does the Amazon Recommendation System Work? — URL: https://www.baeldung.com/cs/amazon-recommendation-system (дата обращения: 21.05.2024).
6. Mukesh Kumar Case Study of the Growth of Zara. — URL: https://www.tutorialspoint.com/case-study-of-the-growth-of-zara (дата обращения: 21.05.2024).
7. Хачатурян, К. С. Искусственный интеллект в маркетинге как новая концепция и бизнес-возможность для повышения эффективности компаний / К. С. Хачатурян, С. В. Пономарева, Н. В. Корюшов // Вестник евразийской науки. — 2023. — Т. 15. — № 3. — URL: https://esj.today/PDF/55ECVN323.pdf (дата обращения: 21.05.2024).
8. Общий регламент по защите данных (GDPR). URL: https://ogdpr.eu/ru?ysclid=lvp4d4meqb986654683 (дата обращения: 21.05.2024).
9. Khulood Albeladi, Bassam Zafar, Ahmed Mueen Time Series Forecasting using LSTM and ARIMA / International Journal of Advanced Computer Science and Applications, Vol. 14, No. 1, 2023. 8 p.
10. 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.
11. 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.