Стратегія розробки рекомендаційної системи на основі аналітики великих даних в e-commerce
DOI:
https://doi.org/10.25140/2411-5363-2025-1(39)-196-205Ключові слова:
електронна комерція, аналіз великих даних, стратегія розвитку, система рекомендаційАнотація
Популярність сучасних веб-сайтів електронної комерції сильно вплинула на ІТ-технології. Оскільки компанії електронної комерції прагнуть забезпечити найкращий досвід для своїх клієнтів, вони використовують для цього багато технологій. Один із способів залучити лояльних клієнтів – це розробка рекомендацій на основі аналізу покупок, а також думок інших користувачів.
Сьогодні електронна комерція охоплює практично всі сфери життя суспільства. Вважається, що кожні два роки їх обсяг подвоюється. Вони стали важливим ресурсом, роль якого постійно зростає і впливає на всі сфери технологій і бізнесу, збільшуючи вигоди для організацій і окремих людей. Таким чином, визначено мету дослідження, яка характеризується ефективними підходами до застосування системи рекомендацій на основі аналізу великих даних в електронній комерції, яка стає рушійною силою у сфері інноваційних бізнес-моделей і продуктів.
Наразі термін «великі дані» є найбільш поширеним у дослідженнях інформаційних технологій, але не має загальноприйнятого визначення [1]. Аналіз існуючих різноманітних трактувань, їх постійне оновлення дає можливість наповнити складові цього феномену, але не завжди зорієнтує щодо перспектив і напрямів його еволюції. Існує багато способів використання великих даних у сфері електронної комерції. Усіх їх об’єднує одне. Їх можна використовувати для покращення взаємодії з користувачем, збільшення продажів та оптимізації внутрішніх процесів в організації [2]. Однак відсутність знань у цьому питанні може призвести до того, що компанії електронної комерції втратять клієнтів і, як наслідок, до зниження прибутку та прибутковості.
Оптимізація інтерфейсу користувача відіграє вирішальну роль у розумінні поведінки клієнтів так само, як і аналіз великих даних. Зручність використання платформ безкоштовних оголошень можна значно покращити, дослідивши застосування великих даних у цьому середовищі. Недостовірність і неповнота інформації про товари та послуги створює значні перешкоди для комплексної обробки даних аналітичними системами на платформах безкоштовних оголошень. Дизайнерські рішення інтерфейсу безпосередньо впливають на задоволеність користувачів і моделі поведінки під час взаємодії з такими платформами.
Використання технологій, що керуються великими даними, створює низку перешкод для онлайн-комерції. Завоювання довіри представників бізнесу стає ключовим завданням, яке вимагає переконливих доказів того, що аналітика великих даних може покращити ефективність бізнесу. Крім того, онлайн-рітейлери стикаються з труднощами в організації збору даних, дефіцитом кваліфікованого технічного персоналу на ринку праці та необхідністю розробки правильної стратегії при розробці систем зберігання даних.
В результаті досягнуто мети - охарактеризовано стратегію розробки системи рекомендацій на основі аналітики великих даних в електронній комерції, розробити рекомендації для електронної комерції.
Посилання
Roy, D., & Dutta, M. (2022). A systematic review and research perspective on recom-mender systems. Journal of Big Data, 9(1). https://doi.org/10.1186/s40537-022-00592-5.
Turban, E., Whiteside, J., King, D., & Outland, J. (2017). Introduction to electronic com-merce and social commerce. Springer International Publishing. https://doi.org/10.1007/978-3-319-50091-1.
Wang, H., & Yu, G. (2016). Persomalized recommendation system K-neighbor algorithm optimization. У 2015 1st international conference on information technologies in education and learning (ICMII 2015). Atlantis Press. https://doi.org/10.2991/icitel-15.2016.24.
Dinerstein, M., Einav, L., Levin, J., & Sundaresan, N. (2018). Consumer price search and platform design in internet commerce. American Economic Review, 108(7), 1820–1859. https://doi.org/ 10.1257/aer.20171218
Akter, S., & Wamba, S. F. (2016). Big data analytics in E-commerce: A systematic review and agenda for future research. Electronic Markets, 26(2), 173–194. https://doi.org/10.1007/s12525-016-0219-0.
Ouassini, M. (2022), Development of a recommendation system for e-commerce based on the least squares method. (Unpublished master's thesis). Altınbaş University, Graduate School of Education, Istanbul.
Macauley, J. (January 10, 2023) Amazon review data. https://jmcauley.ucsd.edu/data/amazon.
Santos, B. D. l., Hortaçsu, A., & Wildenbeest, M. R. (2012). Testing models of consumer search using data on web browsing and purchasing behavior. American Economic Re-view, 102(6), 2955–2980. https://doi.org/10.1257/aer.102.6.2955.
Cherednichenko, O., Vovk, M., Kanishcheva, O., Godlevskyi, M. (2018). Towards Im-proving the Search Quality on the Trading Platforms. In: Wrycza, S., Maślankowski, J. (eds) Information Systems: Research, Development, Applications, Education. SIGSAND/PLAIS 2018. Lecture Notes in Business Information Processing, vol 333. Springer, Cham. https://doi.org/10.1007/978-3-030-00060-8_2.
A. Almohsen, K., & Al-Jobori, H. (2015). Recommender systems in light of big da-ta. International Journal of Electrical and Computer Engineering (IJECE), 5(6), 1553. https://doi.org/10.11591/ ijece.v5i6.pp1553-1563.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
