Введение

В условиях стремительного роста цифровизации бизнеса и усиления конкуренции на рынке эффективность взаимодействия с клиентами становится ключевым фактором успеха компании. Системы управления взаимоотношениями с клиентами играют центральную роль в обеспечении лояльности потребителей, оптимизации процессов продаж, маркетинга и клиентского сервиса. Несмотря на широкое распространение CRM-решений, их функциональность и архитектура зачастую не в полной мере соответствуют современным требованиям динамичной бизнес-среды.

Одна из главных проблем современных CRM-систем заключается в ограниченной способности обрабатывать большие объемы различной информации. Отсутствие глубокой интеграции между возможными источниками часто приводит к проблеме с клиентскими данными и недостаточно точной персонализации взаимодействия с пользователями.

Также вызывает вопросы низкая гибкость ряда CRM-платформ в условиях быстро меняющихся бизнес-процессов. Жесткая логика, устаревшие интерфейсы и ограниченные средства кастомизации нередко становятся препятствием для адаптации системы под конкретные потребности компании.

Большинство традиционных CRM-систем предоставляют базовые средства отчётности. Однако для принятия обоснованных управленческих решений в условиях высокой неопределенности организациям необходимо уметь выявлять скрытые закономерности, предсказывать поведение клиентов и оперативно адаптировать стратегию.

Не менее важной является и проблема автоматизации рутинных операций. Во многих компаниях сотрудники CRM-отделов тратят значительное количество времени на ручной ввод данных, обработку обращений, формирование стандартных документов и выполнение повторяющихся действий, что снижает общую производительность труда и повышает вероятность ошибок.

Кроме того, в условиях роста количества онлайн-взаимодействий и повышения требований к защите персональных данных возрастает значимость обеспечения безопасности хранимой и обрабатываемой информации.

Целью данного исследования является разработка научно обоснованных подходов к усовершенствованию CRM-систем путем анализа текущих ограничений и внедрения современных технологических решений, способствующих повышению эффективности, адаптивности, безопасности и интеллектуальной поддержки в системах управления взаимоотношениями с клиентами.

1. Анализ актуальных тем в области CRM-систем и технологий для их улучшения

1.1 Значение CRM-систем

Основная идея CRM заключается в том, чтобы перейти от массового обслуживания к персонализированному подходу – компания должна действовать с учётом интересов клиента. Это позволяет повысить удовлетворённость клиента за счёт качественного обслуживания и сократить издержки на обслуживание клиентов.

Системы CRM в современном бизнесе играют ключевую роль в цифровизации процессов. Они становятся центром клиентских данных, служат инструментом для бизнес-аналитики, предиктивной аналитики, запуска автоматизированных кампаний и оценки эффективности всех точек контакта с клиентами. Более того, современные CRM-системы всё чаще интегрируются с различными технологиями, что существенно расширяет их функциональные возможности [1].

1.2 Современное состояние рынка CRM

Лидерами рынка на текущий момент остаются крупные вендоры, такие как Salesforce, активно развивающий направление AI и автоматизацию маркетинга, Microsoft Dynamics 365, который широко применяется в B2B-секторе и интегрируется с экосистемой Microsoft, SAP CRM и Oracle CX, предназначенные для крупного корпоративного сегмента, а также HubSpot и Bitrix24, ориентированные на малый и средний бизнес и предоставляющие гибкие SaaS-решения (см. рис. 1.1 – 1.2).

Текущие тенденции включают уход от классических моделей CRM к интеллектуальным платформам, способным самостоятельно анализировать поведение клиента, предлагать персональные рекомендации и запускать автоматические действия. В последнее время компании всё чаще делают ставку на защищённость, масштабируемость и модульность решений, которые могут быть быстро внедрены и адаптированы под конкретные процессы [1].

1.3 Проблемы существующих CRM-систем

Многие организации используют разнообразные системы – ERP, BI, службы поддержки, электронную почту, чат‑боты, телефонию. Отсутствие унифицированной интеграции между ними и CRM приводит к фрагментации данных, дублированию информации и необходимости ручного ввода.

Без продвинутой аналитики большинство CRM-систем не могут обеспечить и высокий уровень персонализации, что означает одинаковое обращение ко всем клиентам и снижает эффективность маркетинга и обслуживания. Классические CRM-системы зависят от ручных действий менеджеров. Автоматизация взаимодействия, предиктивная аналитика, интеллектуальные подсказки и когнитивные функции часто отсутствуют или реализованы слабо.

Проблемы с безопасностью и конфиденциальностью: в условиях действия различных нормативов о защите персональных данных, многие CRM не обеспечивают достаточный уровень защиты. Особенно это актуально для облачных решений и систем, не поддерживающих распределённый контроль доступа или шифрование пользовательских данных. В связи с этими проблемами всё больше организаций стремятся к внедрению гибких, масштабируемых, облачных, интеллектуальных и безопасных решений, использующих современные технологии – ИИ, блокчейн, микросервисы, gRPC, RPA что и становится основой для актуальных научных исследований и направлением совершенствования современных CRM-систем.

2. Оценка современных технологий для интеграции в crm с целью повышения эффективности взаимодействия с клиентами

Первой из возможных технологий может быть блокчейн. Блокчейн обеспечивает неизменность записей, прозрачность взаимодействия с клиентом, возможность верификации информации без необходимости обращаться к централизованным источникам. В CRM-системах технология может использоваться для фиксации фактов сделок, защиты персональных данных, построения цепочек событий, а также для реализации моделей доверенной идентификации и управления доступом.

Так как современные системы должны быть максимально оптимизированными и эффективными, важно рассмотреть технологии для построения распределенных систем. Наиболее популярной является gRPC, являющейся высокопроизводительным фреймворком для удалённого вызова процедур, который позволяет эффективно строить распределённые CRM-системы на базе микросервисов. Это даёт гибкость масштабирования, возможность замены отдельных компонентов без остановки всей системы, а также уменьшает избыточные нагрузки при помощи оптимизированных запросов и используемых протоколов связи.

Технологии искуственного интеллекта внедряются в CRM для автоматизации задач, интеллектуального анализа данных и персонализации обслуживания. Системы могут прогнозировать поведение клиентов, классифицировать обращения по тематике, рекомендовать менеджерам наиболее эффективные действия. Встраивание чат-ботов, способных к самообучению, также снижает нагрузку на службу поддержки.

Таким образом, усовершенствование CRM – это комплексный процесс, включающий широкий спектр технологий. Выбор тех или иных решений зависит от задач компании, отрасли, бюджета и целей автоматизации (см. табл. 2.1). Интеграция AI, блокчейна, gRPC, а также других подходов позволяет превратить традиционную CRM в интеллектуальную, гибкую, безопасную и клиентоориентированную платформу.

Таблица 2.1 – Сравнение технологий

Технология	Назначение	Преимущества	Недостатки / Ограничения	Примеры использования
Blockchain	Безопасность, прозрачность, неизменность записей	Защита данных, аудит, распределённость, доверие	Высокие вычислительные ресурсы, сложность внедрения	Управление доступом, хранение согласий клиентов
gRPC + микросервисы	Модульность, распределённость, скорость обмена данными	Гибкость, масштабируемость, независимость компонентов	Требуется архитектурная перестройка, DevOps-компетенции	Вызов внешних сервисов, масштабируемая архитектура CRM
AI / ML	Автоматизация, аналитика, предсказание поведения клиента	Повышение точности решений, персонализация, автоматизация	Требует обучающих данных, возможны ошибки интерпретации	Предиктивная аналитика, чат-боты, скоринг лидов
RPA	Автоматизация рутинных процессов	Быстрая окупаемость, отсутствие глубокой интеграции	Нестабильность при изменении интерфейсов	Заполнение форм, копирование данных, интеграция с ERP

3. Изучение научных статей, диссертаций и исследований по CRM-системам и современным технологиям

3.1 Обзор ключевых тематических направлений и источников

В ходе научного анализа литературы, посвящённой развитию и усовершенствованию CRM-систем, выделен ряд приоритетных тематических направлений, охватывающих как фундаментальные аспекты CRM, так и современные технологии, способные значительно повысить эффективность клиентского взаимодействия. Данный обзор структурирован на основе проанализированных источников из ведущих научных платформ и репозиториев.

3.1.1 Технология Blockchain

Так как блокчейн является не просто отдельным модулем, а полноценной системой, рассмотрим его в первую очередь. В области применения технологии для усовершенствования CRM существует большое количество исследований.

Первая статья для рассмотрения называется «An overview of blockchain research and future agenda: Insights from structural topic modeling». Авторы провели масштабный синтез литературы, анализировав множество статей по блокчейн через структурное тематическое моделирование. Уникальность исследования в разработке фреймворка DBlock. Этот фреймворк помогает классифицировать исследовательские темы и определить стратегические направления развития технологии. Статья помогает специалистам CRM понять, какие направления наиболее перспективны, что позволяет выбирать целевые технологии под конкретные задачи CRM, такие как управление идентичностью клиентов или интеграция цифровых активов [2].

Следующее исследование, проведенное в статье «Blockchain technology for enterprise credit information sharing in supply chain finance» посвящено модели на основе блокчейна для обмена кредитной информацией в цепочках поставок. Авторы решают важную проблему, связанную с неполными и ненадёжными кредитными данными, предлагая архитектуру с прокси-перенаправлением и улучшенным механизмом консенсуса, что обеспечивает прозрачность, безопасность и доступность информации. Особенность статьи заключается в привязке к конкретным сценариям использования и архитектурная интеграция [3].

Возможности интеграции блокчейна в CRM описаны в книге «The Blockchain Technology for Secure and Smart Applications across Industry Verticals». Данный сборник исследований посвящен использованию блокчейна для безопасных и интеллектуальных приложений в различных отраслях. Монография подробно описывает, как применять умные контракты для автоматизации взаимодействия с клиентами, усиления безопасности данных и интеграции с внешними устройствами. Эта литература может стать основой для создания CRM‑платформ, способных обеспечивать автоматизированный сервис на блокчейне [4].

Статья «Трансформация CRM-систем», представленная на РИНЦ, исследует модели использования блокчейна для оптимизации автоматизации бизнес-процессов, от управления документами до учета и аудита. Уникальность статьи состоит в авторской модели фазовой интеграции блокчейна в существующие ИТ-системы: определение целей, алгоритм внедрения, расчёт ROI [5].

Следующая статья «Эффекты внедрения блокчейн-технологий в деятельности железнодорожных компаний» также с журнала РИНЦ, она рассматривает проблемы конфиденциальности и безопасности в блокчейн-системах, особенно важные для CRM, обрабатывающих персональные данные. Авторы анализируют криптографические методы, такие как ZKP (криптографический протокол, который позволяет одному лицу убедить другого в том, что утверждение верно, не раскрывая подробностей о самом утверждении) [6].

«Blockchain-based Recommender Systems: Applications, Challenges and Future Opportunities» содержит систематический обзор проблем масштабируемости, безопасности и конфиденциальности блокчейна, а также обзор приложений. Особенностью является единство отраслевого и технического взгляда: разбираются алгоритмы консенсуса и приватные сети [7].

А «Blockchain for Business Process Enactment: A Taxonomy and Systematic Literature Review» рассматривает новейшие достижения: консенсусы, блокчейн, управление цепями поставок. Особенностью является внимание к смарт-контрактам и интеграции с IoT и ML. Для CRM открывает возможности автоматизированной обработки клиентских данных, токенизации активности и персонализированных предложений на основе ML и блокчейн [8].

3.1.2 Технология gRPC

В статье «Design and development of microservicesbased CRM system» авторы рассматривают архитектуру микросервисов и обосновывают целесообразность выбора gRPC как основного средства межсервисного взаимодействия из‑за его высокой производительности и встроенной поддержки двунаправленного потока. Авторы дают практические рекомендации: при создании микросервисов выбирайте gRPC для внутренних API, что позволит значительно снизить задержки и улучшить масштабируемость [9].

В «Comparative Study of REST and gRPC for Microservices in Established Software Architectures» авторы проводят эмпирическое сравнение коммуникационных протоколов, используя нагрузочное тестирование и стресс‑тестирование. Доклад ценен тем, что формулирует чёткие критерии выбора протокола по типу нагрузки, объёму данных и приоритетам (ускорение ответа vs стабильность vs отказоустойчивость) [10].

Статья «Performance evaluation of microservices communication with REST, GraphQL, and gRPC» предоставляет анализ времени ответа и загрузку CPU при запросах на получение простых и вложенных данных. Эти данные подкрепляют выбор gRPC для сценариев и низкой задержкой ответа во внутреннем обмене микросервисами и экономию ресурсов [11].

3.1.3 Технология AI/ML

«Integration of AI in CRM: Challenges and guidelines» фокусируется на трудностях и практических аспектах внедрения искусственного интеллекта внутри CRM-систем. Особенность данного исследования заключается в системном подходе: помимо перечисления проблем, раскрываются стратегии, позволяющие успешно преодолеть их [12].

В своем исследовании «AI-Driven Chatbots in CRM: Economic and Managerial Implications across Industries» авторы проводят качественное исследование на основе экспертных интервью, чтобы выяснить, каким образом чат‑боты с искусственным интеллектом влияют на CRM‑стратегии в различных отраслях. Статья показывает реальные случаи, где ИИ‑чат‑боты успешно внедрены, а также отмечает ограничения, особенно в сферах, таких как здравоохранение, где возникают этические риски [13].

В исследовании «Artificial intelligence in customer relationship management: literature review and future research directions» приводится трёхэтапная модель внедрения ИИ в CRM, варьируя стратегическую готовность, цифровую инфраструктуру и культурные факторы [14].

В статье «Использование машинного обучения для систем CRM» последовательно раскрываются этапы и практическая ценность внедрения систем машинного обучения в CRM‑системы с целью прогнозирования оттока клиентов. Её фокус на полноценной интеграции ML‑модели в бизнес‑процессы, включая подробные этапы от предподготовки данных до запуска сценариев удержания [15].

3.1.4 Технология RPA

В статье «RPA-системы: теория и практика применения в бухгалтерском учете» авторы анализируют применимость RPA и его преимущества в учете, что важно для CRM, особенно в части обработки финансовых транзакций, интеграции данных и автоматизации задач. Особое внимание уделено таким преимуществам, как централизация данных, снижение ошибок и экономия рабочих ресурсов, что существенно уменьшает число ошибок в CRM-операциях, связанных с финансовыми данными [16].

Исследование «How does robotic process automation create value for firms?» построено на интервью с экспертами и затрагивает весь цепочку создания ценности: закупки, внутренние операции, маркетинг и продажи. Авторы особенно выделяют взаимодействие с клиентами и внутренние процессы, отмечая влияние в этих сферах [17].

Статья «Process automation using RPA – a literature review» представляет собой систематический обзор публикаций по технологии Robotic Process Automation и рассматривает RPA с точки зрения применения в бизнес-процессах, выявления преимуществ и ограничений, а также перспектив развития. Особое внимание уделяется перспективам развития RPA и факторам успешности внедрения, что делает статью полезной для компаний, планирующих интеграцию RPA в корпоративные системы [18].

4. Изучение применяемых алгоритмов. реальные случаи внедрения технологий

4.1 Классификация алгоритмов, применимых для различных технологий в CRM-системах

Каждая из этих технологий предполагает использование определённых классов алгоритмов, которые направлены на решение специфических задач автоматизации, прогнозирования, классификации, маршрутизации и безопасности.

Для технологий AI и ML, применяемых в CRM-системах, основную роль играют алгоритмы машинного обучения, классифицируемые по типу обучения: с учителем, без учителя и с подкреплением. Алгоритмы с учителем часто используются для прогнозирования поведения клиентов, оценки вероятности оттока и персонализации рекомендаций [19]. Алгоритмы без учителя, такие как кластеризация (k-means, DBSCAN) или понижение размерности (PCA, t-SNE), позволяют сегментировать клиентов без предварительно размеченных данных. Алгоритмы с подкреплением применяются реже, но потенциально полезны в адаптивных системах рекомендаций или для динамического управления маркетинговыми кампаниями [20]. Далее изображена концептуальная схема использования AI/ML в CRM-ситсеме (см. рис. 4.1).

В технологии RPA основной акцент делается на алгоритмах обнаружения повторяющихся шаблонов действий пользователя и автоматизации этих сценариев. Это включает в себя алгоритмы анализа бизнес-процессов, распознавания шаблонов в данных пользовательского поведения, а также элементарные ML-алгоритмы, встроенные в платформы RPA, например для интеллектуальной обработки документов (OCR с ML-дополнением) или классификации задач [21].

Помимо базовой автоматизации, важную роль играет оркестрация процессов – централизованное управление роботами, их расписанием, распределением ресурсов, обработкой исключений и мониторингом выполнения сценариев. Оркестраторы обеспечивают построение целостных пайплайнов автоматизации, управление версиями процессов и безопасное масштабирование роботов в корпоративной инфраструктуре. С точки зрения архитектуры, RPA-решения делятся на несколько типов: API-ориентированная автоматизация, использующая прямые интеграции между системами без имитации действий пользователя, интерфейсная RPA, взаимодействующая с UI через эмуляцию кликов, вводов и действий, Computer Vision-RPA, распознающая элементы интерфейса с помощью CV-алгоритмов и нейросетей, что особенно важно при динамических интерфейсах [22,23]. Приведем пример простой схемы взаимодействия RPA и ее компонентов с CRM (см. рис. 4.2).

Что касается блокчейн-технологий, они требуют применения специализированных криптографических алгоритмов и протоколов консенсуса. Основными являются алгоритмы хэширования (SHA-256, Keccak), цифровые подписи (ECDSA, EdDSA), а также протоколы достижения консенсуса (Proof of Work, Proof of Authority, PBFT и Raft). В CRM наиболее релевантными являются алгоритмы, поддерживающие приватные распределённые сети и обеспечивающие высокую производительность при сохранении прозрачности и безопасности – как, например, PBFT в Hyperledger Fabric [24]. Рассмотрим блокчейн-технологию, как часть системы управления взаимоотношеняими с клиентами (см. рис. 4.3).

Микросервисная архитектура, поддерживающая модульную организацию CRM-системы, требует также алгоритмов маршрутизации, балансировки нагрузки, отказоустойчивости и оркестрации, реализуемых как средствами среды выполнения, так и встроенными алгоритмами (consistent hashing, round robin, circuit breaker, retry with backoff) [25]. Работу микросервисов в CRM-системе можно рассмотреть на следующем изображении (см. рис. 4.4).

Заключение

В ходе проведенного исследования была проанализирована текущая ситуация в области развития и применения CRM-систем в корпоративной среде. Выявлены основные проблемные аспекты, сдерживающие эффективность и масштабируемость существующих решений: недостаточная адаптивность к изменяющимся требованиям бизнеса, ограниченные интеллектуальные возможности обработки данных, слабая интеграция с современными цифровыми технологиями, а также потенциальные уязвимости в области информационной безопасности.

Проведена классификация существующих методов, алгоритмов и архитектур, применяемых в этих областях, с акцентом на их применимость к задачам CRM. Полученные результаты формируют теоретическую и методологическую основу для дальнейшей разработки концептуальной модели усовершенствованной CRM-системы.

Список литературы

1. Арутюнян Гор С. Technological innovations and systems in the field of customer relationship management (CRM) / Арутюнян Гор С. // Регион и мир. – 2025 – №2 (57). – C. 225-235.
2. Anuja Shuklaa. An overview of blockchain research and future agenda: Insights from structural topic modeling [Электронный ресурс] / Anuja Shukla, Poornima Jirli, Anubhav Mishra, Alok Kumar Singh // Journal of Innovation and Knowledge. – 2024 – №4. – Т. 9. – C. 1-13. – URL: https://www.researchgate.net/publication/385684005_An_overview_of_blockchain_research_and_future_agenda_Insights_from_structural_topic_modeling (дата обращения: 05.12.2025).
3. Kangning Zheng. Blockchain technology for enterprise credit information sharing in supply chain finance / Kangning Zheng, Leven J. Zheng, Jeffrey Gauthier, Linyu Zhou, Yinge Xu, Abhishek Behl, Justin Zuopeng Zhang // Journal of Innovation and Knowledge. – 2022 – №4. – Т. 7. – C. 1-15.
4. Neeraj Kumar. The Blockchain Technology for Secure and Smart Applications across Industry Verticals [Электронный ресурс] / Neeraj Kumar, Shubhani Aggarwal, Pethuru Raj. – 1st Edition. – O'Reilly Media, Inc., – 2021 – Т. 121. – C. 1. – URL: https://www.oreilly.com/library/view/the-blockchain-technology/9780128219928/ (дата обращения: 05.12.2025).
5. Ширина Н.М. Трансформация CRM-систем / Ширина Н.М., Гусарова А.С. // Инновационное развитие техники и технологий в промышленности (ИНТЕКС-2021). – 2021 – №4. – C. 122-128.
6. Гулый И.М. Эффекты внедрения блокчейн-технологий в деятельности железнодорожных компаний / Гулый И.М. // Экономика железных дорог. – 2020 – №12. – C. 40-48.
7. Yassine Himeur. Blockchain-based Recommender Systems: Applications, Challenges and Future Opportunities [Электронный ресурс] / Yassine Himeur, Aya Sayed, Abdullah Alsalemi, Faycal Bensaali, Abbes Amira, Iraklis Varlamis, Magdalini Eirinaki, Christos Sardianos, George Dimitrakopoulos // Computer Science Review. – 2021 – Т. 43. – C. 1-25. – URL: https://www.researchgate.net/publication/356454883_Blockchain-based_recommender_systems_Applications_challenges_and_future_opportunities (дата обращения: 05.12.2025).
8. Fabian Stiehle. Blockchain for Business Process Enactment: A Taxonomy and Systematic Literature Review [Электронный ресурс] / Fabian Stiehle, Ingo Weber // International Conference on Business Process Management. – 2022 – C. 5-20. – URL: https://www.researchgate.net/publication/361161942_Blockchain_for_Business_Process_Enactment_A_Taxonomy_and_Systematic_Literature_Review (дата обращения: 06.12.2025).
9. Andrii Pryhoda. Design and development of microservicesbased CRM system / Andrii Pryhoda, Rostyslav Sikora, Volodymyr Moskalenko, Andrii Roskladka // Journal of Theoretical and Applied Information Technology. – 2025 – №6. – Т. 103. – C. 2508-2516.
10. Isabella Olivos. Comparative Study of REST and gRPC for Microservices in Established Software Architectures / Isabella Olivos, Martin Johansson // Department of Computer and Information Science. – 2023 – C. 1-10.
11. Muhammad Niswar. Performance evaluation of microservices communication with REST, GraphQL, and gRPC [Электронный ресурс] / Muhammad Niswar, Reza Arisandy Safruddin, Anugrayani Bustamin, Iqra Aswad // International Journal of Electronics and Telecommunications. – 2024 – №2. – Т. 70. – C. 429-436. – URL: https://www.researchgate.net/publication/381763921_Performance_evaluation_of_microservices_communication_with_REST_GraphQL_and_gRPC (дата обращения: 06.12.2025).
12. Cristina Ledro. Integration of AI in CRM: Challenges and guidelines / Cristina Ledro, Anna Nosella, Ilaria Dalla Pozza [Электронный ресурс] // Journal of Open Innovation: Technology, Market, and Complexity. – 2023 – №4. – Т. 9. – C. 1-13. – URL: https://www.researchgate.net/publication/374759666_Integration_of_AI_in_CRM_Challenges_and_guidelines (дата обращения: 07.12.2025).
13. Chadi Khneyzer. AI-Driven Chatbots in CRM: Economic and Managerial Implications across Industries [Электронный ресурс] / Chadi Khneyzer,Zaher Boustany, Jean Dagher // Adm. Sci. – 2024 – №182. – Т. 14(8). – C. 1-16. – URL: https://www.mdpi.com/2076-3387/14/8/182 (дата обращения: 07.12.2025).
14. Cristina Ledro. Artificial intelligence in customer relationship management: literature review and future research directions / Cristina Ledro, Anna Nosella, Andrea Vinelli [Электронный ресурс] // Journal of Business & Industrial Marketing. – 2022 – №13. – Т. 37. – C. 48-63. – URL: https://www.researchgate.net/publication/359813862_Artificial_intelligence_in_customer_relationship_management_literature_review_and_future_research_directions (дата обращения: 07.12.2025).
15. Ильичёв А.Ю. Использование машинного обучения для систем CRM / Ильичёв А.Ю. // Форум молодых ученых. – 2019 – №1 (29). – C. 40-43.
16. Заенчковская В. И. RPA-системы: теория и практика применения в бухгалтерском учете / Заенчковская В. И., Лазарева М. Д., Каморджанова Н. А. // Студенческая научная зима в Бресте – 2023 : сборник научных работ студентов и магистрантов XVII Международного студенческого научного форума. – 2023 – C. 15-17.
17. Daniel Durão. How does robotic process automation create value for firms? / Daniel Durão, António Palma dos Reis. // Information Systems and e-Business Management. – 2024 – Т. 22. – C. 721-740.
18. Silvia Moreira. Process automation using RPA – a literature review / Silvia Moreira, Henrique S. Mamede, Arnaldo Santos. // Procedia Computer Science. – 2024 – Т. 219. – C. 244–254.
19. Vishnu Vardhan Baligodugula. Unsupervised Learning: Comparative Analysis of Clustering Techniques on High-Dimensional Data [Электронный ресурс] / Vishnu Vardhan Baligodugula, Fathi Amsaad // arXiv e-prints. – 2025 – Т. 1. – C. 1-6. – URL: https://arxiv.org/abs/2503.23215 (дата обращения: 08.12.2025).
20. Naresh Kumar. Intelligent customer segmentation: unveiling consumer patterns with machine learning / Naresh Kumar // Journal of Umm Al-Qura University for Engineering and Architecture. – 2025 – Т. 16. – C. 774–783.
21. Jorge Ribeiro. Robotic Process Automation and Artificial Intelligence in Industry 4.0 – A Literature review [Электронный ресурс] / Jorge Ribeiro, Rui Lima, Tiago Eckhardt, Sara Paiva // Procedia Computer Science. – 2021 – Т. 181. – C. 51-58. – URL: https://www.researchgate.net/publication/349526158_Robotic_Process_Automation_and_Artificial_Intelligence_in_Industry_40_-_A_Literature_review (дата обращения: 08.12.2025).
22. Osama Hosam Abdellatif. LMRPA: Large Language Model-Driven Efficient Robotic Process Automation for OCR [Электронный ресурс] / Osama Hosam Abdellatif, Abdelrahman Nader, Ali Hamdi // arXiv e-prints. – 2024 – Т. 1. – C. 1-11. – URL: https://arxiv.org/abs/2412.18063v2 (дата обращения: 09.12.2025).
23. Gokul Pandy. Advancements in Robotics Process Automation: A Novel Model with Enhanced Empirical Validation and Theoretical Insights / Gokul Pandy, Vivekananda Jayaram, Balaji Shesharao Ingole, Manjunatha Sughaturu Krishnappa // European Journal of Computer Science and Information Technology. – 2024 – Т. 12 (5). – C. 64-73.
24. Cristian Lepore. A Survey on Blockchain Consensus with a Performance Comparison of PoW, PoS and Pure PoS [Электронный ресурс] / Cristian Lepore, Michela Ceria et al. // Mathematics. – 2020 – №10. – Т. 8. – C. 1-26. – URL: https://www.researchgate.net/publication/346227326_A_Survey_on_Blockchain_Consensus_with_a_Performance_Comparison_of_PoW_PoS_and_Pure_PoS (дата обращения: 09.12.2025).
25. Kayode Sheriffdeen. Resilience Strategies in Microservices Architecture / Kayode Sheriffdeen, Martine Ade // ResearchGate. – 2020. – Т. 1. – C. 1-9.