Научные труды

Источник: Сборник материалов XVI Международной научно-технической конференции «Информатика, управляющие системы, математическое и компьютерное моделирование - 2025» (ИУСМКМ-2025). — 2025. — Т. 2. — С. 248-254.

УДК 004.8

Экономическое обоснование использования нейронных сетей для повышения эффективности рекомендательных систем в организации развлекательных мероприятий

Рудь Я.А.
магистрант, ФГБОУ ВО «Донецкий национальный технический университет», Россия
E-mail: rezan20031@gmail.com

Боднар А.В.
магистрант, ФГБОУ ВО «Донецкий национальный технический университет», Россия
E-mail: linabykova13@ya.ru

В статье исследуется экономическое обоснование использования нейронных сетей для улучшения рекомендательных систем в сфере развлекательных мероприятий. Рассматриваются преимущества нейронных сетей для повышения точности рекомендаций, улучшения клиентского опыта и увеличения прибыли. Особое внимание уделено экономическим аспектам внедрения технологий, включая снижение затрат на маркетинг и повышение конверсии.

Ключевые слова: нейронные сети, рекомендательные системы, развлекательные мероприятия, искусственный интеллект, экономическое обоснование, повышение эффективности.

Введение

Современные технологии искусственного интеллекта, в частности нейронные сети, все активнее внедряются в различные сферы бизнеса, включая организацию развлекательных мероприятий. Рекомендательные системы, использующие методы машинного обучения, становятся важным инструментом для повышения эффективности взаимодействия с клиентами, что особенно актуально в условиях высокой конкуренции на рынке развлечений. Эти системы позволяют персонализировать предложения, что ведет к улучшению клиентского опыта и увеличению прибыли.

В последние годы нейронные сети показывают значительные результаты в области обработки данных и принятия решений на основе сложных паттернов. В отличие от традиционных методов, нейронные сети могут анализировать большие объемы информации и извлекать более точные и релевантные рекомендации, что существенно повышает их эффективность.

Целью данной статьи является исследование экономического обоснования использования нейронных сетей для улучшения рекомендательных систем, а также анализ их влияния на экономические показатели организаций, занимающихся проведением развлекательных мероприятий. В статье будет рассмотрено, как внедрение таких технологий способствует оптимизации бизнес-процессов, снижению затрат и повышению доходности.

Определение экономической целесообразности внедрения нейронных сетей

На начальном этапе разработки рекомендательной системы с использованием нейронных сетей важно провести оценку экономической целесообразности проекта, чтобы минимизировать риски и эффективно использовать ресурсы. Рассмотрим ключевые аспекты этого этапа.

Прежде чем внедрять нейронные сети, нужно сравнить их с другими методами, такими как классическая фильтрация и контентная фильтрация. Эти методы проще и дешевле, но могут иметь низкую точность в рекомендациях, особенно при большом объеме данных. Нейронные сети, с другой стороны, могут обеспечить более точные и масштабируемые решения, но требуют высоких затрат на разработку и обучение. Для нашей системы, например, использование нейронных сетей может повысить точность рекомендаций на 15-20% по сравнению с традиционными методами, что может существенно повлиять на вовлеченность и конверсии [1].

Стоимость разработки нейронных сетей значительно выше, чем у традиционных методов. Примерные расходы могут включать:

• разработка архитектуры сети: от 500 000 до 1 500 000 рублей, в зависимости от сложности модели и требуемых данных;
• вычислительные мощности: аренда серверов с GPU для тренировки может составлять около 70 000 – 300 000 рублей в месяц;
• привлечение специалистов: для разработки нейронной сети потребуются высококвалифицированные специалисты, средняя зарплата которых — от 1 500 000 до 3 000 000 рублей в год.

Общая стоимость разработки для небольшой рекомендательной системы может варьироваться от 2 000 000 до 6 000 000 рублей.

Внедрение нейронных сетей в рекомендательную систему может привести к значительному улучшению точности рекомендаций, что, в свою очередь, повлияет на прибыль компании. Примерный расчет отдачи от инвестиций:

• увеличение точности рекомендаций на 20% может привести к росту конверсии с 2% до 2.4%;
• увеличение доходности: если текущий доход составляет 30 000 000 рублей в год, то рост конверсии может привести к увеличению дохода на 3 000 000 – 6 000 000 рублей в первый год.

Период окупаемости для такого проекта составит примерно 1-2 года.

Оценка рисков

Нейронные сети требуют большого объема данных для обучения, и качество этих данных напрямую влияет на точность рекомендаций. Одним из значительных рисков является отсутствие достаточно качественных или репрезентативных данных, что может привести к ошибочным рекомендациям или неэффективной работе системы [2].

Кроме того, сбор, хранение и обработка данных требуют соответствующих технологий, что увеличивает затраты. Например, организация процесса сбора данных может стоить от 30 000 до 100 000 рублей, создание инфраструктуры для хранения — 10 000–30 000 рублей в месяц, обеспечение защиты данных — ещё 20 000–50 000 рублей на начальной стадии.

Разработка нейронных сетей может столкнуться с серьёзными техническими трудностями, включая настройку гиперпараметров, интеграцию и обработку больших объёмов данных. Например, аренда серверов с GPU на три месяца может составить 150 000–600 000 рублей [3]. При этом, если инфраструктура недостаточно оптимизирована, возможны дополнительные расходы на обслуживание, около 5 000–10 000 рублей в месяц.

Одним из ключевых рисков является адаптация нейронной сети к существующей инфраструктуре компании. Организация обучения сотрудников и адаптация систем может обойтись в 50 000–150 000 рублей. Также необходимы регулярные обновления модели, что может влечь дополнительные расходы — около 70 000–150 000 рублей ежегодно.

Проектирование схемы жизненного цикла разработки рекомендательной системы

Для успешной реализации проекта рекомендательной системы на основе нейронных сетей необходимо тщательно спланировать все этапы жизненного цикла разработки [4]. Ключевые этапы жизненного цикла (см. рис. 1) включают:

1. Исследование рынка: на первом этапе проводится анализ потребностей целевой аудитории, определяются основ-ные задачи, которые должна решать рекомендательная система, а также изучаются суще-ствующие решения на рынке. Это позволяет выявить перспективные технологии и конку-рентные преимущества для будущего продукта. Ориентировочные расходы: 30 000–50 000 рублей.
2. Прототипирование: после завершения исследования разрабатывается прототип рекомендательной системы. На этом этапе создается начальная архитектура модели, настраиваются гиперпараметры, и про-водится тестирование на ограниченном объеме данных. Это позволяет выявить слабые сто-роны проекта и уточнить технические требования. Ориентировочные расходы: 70 000–150 000 рублей.
3. Разработка: при успешной проверке прототипа начинается полноценная разработка рабочей системы. Система интегрируется в инфраструктуру компании с учетом требований безопасности данных, совместимости с другими решениями и устойчивости к высоким нагрузкам. Ориен-тировочные расходы: 200 000–500 000 рублей.
4. Тестирование: после основной разработки проводится тщательное функциональное тестирование системы, устраняются ошибки, проводится оптимизация моделей и их параметров. Тестирование по-могает убедиться, что продукт стабильно работает в реальных условиях и готов к запуску. Дополнительные расходы: около 30 000–70 000 рублей.
5. Внедрение и эксплуатация: на финальном этапе осуществляется развертывание системы в рабочую среду, проводится обучение персонала и организация пользовательской поддержки. Также предусматриваются регулярные обновления модели по мере изменения данных и рыночных условий. Ориенти-ровочные расходы на внедрение и поддержку: 50 000–100 000 рублей ежегодно.

Четкое планирование всех этапов жизненного цикла помогает минимизировать риски, оптимизировать затраты и значительно повысить вероятность успешной реализации проекта.

Оценка эффективности рекомендательной системы и её воздействия на бизнес-процессы

После внедрения рекомендательной системы важно не только оценить её технические характеристики, но и измерить её влияние на бизнес-процессы компании. Рекомендательные системы, особенно те, что основаны на нейронных сетях, способны значительно трансформировать не только внутренние процессы компании, но и изменять динамику всей отрасли. Оценка эффективности такой системы позволяет понять, насколько проект оправдал затраты и в какой степени он способствует достижению стратегических целей компании, а также как влияет на экономические показатели бизнеса [5].

Для определения успешности внедрения нейронной сети в рекомендательную систему можно использовать следующие ключевые метрики:

1. Точность рекомендаций (Precision). Оценка точности рекомендаций позволяет понять, насколько предложенные товары или услуги соответствуют интересам пользователей. Чем выше точность, тем больше вероятность того, что рекомендации будут восприняты клиентами, что способствует увеличению продаж или улучшению пользовательского опыта.
2. Конверсия (Conversion Rate). Увеличение конверсии является одним из главных индикаторов успешности рекомендательной системы. Рекомендации, основанные на данных, полученных от нейронных сетей, должны способствовать улучшению показателя конверсии, например, увеличение количества покупок, подписок или просмотров контента.
3. Снижение оттока клиентов (Churn Rate). Пониженный уровень оттока клиентов указывает на повышение удовлетворенности пользователей благодаря персонализированным рекомендациям. Это может быть связано с повышением лояльности клиентов, которые чувствуют, что их потребности лучше понимаются системой.
4. Средний доход на пользователя (ARPU). Внедрение рекомендательной системы должно привести к увеличению среднего дохода на пользователя. Эту метрику можно оценивать как на стадии внедрения системы, так и в долгосрочной перспективе для анализа роста доходности.
5. Время, проведенное пользователем на платформе (Engagement). Показатели вовлеченности, например, время, проведенное пользователем на платформе или количество возвращений, также могут служить индикаторами успешности рекомендательной системы, если она помогает улучшить пользовательский опыт и удержание.

Влияние на бизнес-процессы:

1. Маркетинг и продвижение: персонализация кампаний, улучшение ROI;
2. Управление запасами и логистика: прогнозирование спроса, сокращение издержек;
3. Обслуживание клиентов: автоматизация процессов, снижение нагрузки на персонал;
4. Развитие новых продуктов и услуг: выявление потребностей клиентов, расширение рыночной доли.

Влияние на рынок и отрасль:

1. Повышение конкуренции и создание новых рынков;
2. Улучшение операционной эффективности;
3. Развитие данных как ресурса;
4. Влияние на занятость и рынок труда.

Выводы

В статье рассмотрено экономическое обоснование использования нейронных сетей для улучшения рекомендательных систем. Нейронные сети повышают точность рекомендаций, улучшают клиентский опыт и увеличивают прибыль. Период окупаемости проекта составляет около 1-2 лет.

Внедрение связано с рисками, включая необходимость большого объёма данных, высокие затраты на инфраструктуру и сложности адаптации системы. Тем не менее, влияние на бизнес-процессы позитивное: улучшение маркетинга, управление запасами, обслуживание клиентов.

Нейронные сети способствуют развитию новых рынков, повышению конкуренции, оптимизации бизнес-процессов и созданию новых рабочих мест в сфере анализа данных и искусственного интеллекта. Внедрение рекомендательных систем на основе нейронных сетей является экономически целесообразным и перспективным направлением.

Литература

1. Баженов, В.С. Методы оценки эффективности использования технологий интернет-коммуникаций / В.С. Баженов // Международный научно-исследовательский журнал «Прогрессивная экономика», № 9. – 2024. – С. 175-184.
2. Ершов, Т.А. Рекомендательная система для изображений на основе искусственного интеллекта / Т.А. Ершов, А.А. Голубничий // E-Scio, № 8 (83). – 2023. – С. 41-47.
3. Овечкин, А.В. Проектирование рекомендательной системы на основе нейронной сети / А.В. Овечкин // Научно-образовательный журнал для студентов и преподавателей «StudNet», № 4. – 2022. – С. 2635-2641.
4. Гамидуллаева, Л.А. Методы управления жизненным циклом туристского продукта в регионе / Л.А. Гамидуллаева, А.Г. Финогеев // Модели, системы, сети в экономике, технике, природе и обществе, № 2 (46) – 2023. – С. 25-41.
5. Албагачиева, А.А. Оценка эффективности маркетинговой деятельности / А.А. Албагачиева // Endless light in science, № 2. – 2022. – С. 89-93.