Курсовая работа: Применение методов машинного обучения для оптимизации бизнес-процессов предприятия онлайн-торговли Комус

СОДЕРЖАНИЕ

Введение. 3

Глава 1. Применение методов машинного обучения в онлайн-торговле. 5

1.1. Основные бизнес-процессы онлайн-торговли и возможности их автоматизации 5

1.2. Применение технологий машинного обучения в деятельности ритейла (мировая практика) 6

1.3. Постановка задачи и инструментальные средства для внедрения ML в бизнес-процессы компании «Комус» . 8

Глава 2. Разработка проекта внедрения рекомендательной системы на основе ML в компании «Комус» . 11

2.1. Использование алгоритмов рекомендательных систем в бизнес-процессах ритейлеров 11

2.2. Перспективы внедрения рекомендательных систем в бизнес-процессы компании «Комус» . 13

2.3. Работа с данными и алгоритмическая структура рекомендательной системы для компании «Комус» . 15

Глава 3. Реализация и тестирование прототипа ML-системы для компании «Комус» 23

3.1. Описание и характеристика программных средств прототипа ML-системы23

3.2. Организация процесса внедрения и использования прототипа ML-системы в компании «Комус» . 26

3.3. Особенности работы пользователя с прототипом ML-системы.. 27

Заключение. 31

Список использованных материалов. 33

Приложения. 35

Введение

Современный этап развития онлайн-торговли отмечен интенсивным внедрением интеллектуальных технологий, способных не просто автоматизировать отдельные функции, но и глубоко трансформировать сами принципы ведения бизнеса. В условиях насыщенного конкурентного поля, особенно в сфере e-commerce, выживают и процветают те компании, которые эффективно используют массивы накопленных данных для принятия решений в реальном времени. Крупнейшие игроки — от Amazon до Alibaba — формируют не только новые стандарты пользовательского опыта, но и демонстрируют феноменальные показатели операционной эффективности за счёт интеграции систем машинного обучения в бизнес-процессы. На этом фоне российским компаниям необходимо не просто поддерживать конкурентоспособный уровень цифровизации, но и осваивать передовые технологии для адаптации под запросы рынка и клиентов. Одной из таких компаний является «Комус» — крупный онлайн-ритейлер, охватывающий широкий ассортимент продукции для бизнеса и частных лиц, обладающий большим потенциалом для применения интеллектуальных систем, основанных на машинном обучении.

Объектом данного исследования выступают бизнес-процессы предприятия, осуществляющего онлайн-торговлю на масштабной инфраструктурной и ассортиментной базе, а также соответствующие цифровые механизмы взаимодействия с клиентами.

Предметом являются методы и алгоритмы машинного обучения, применимые к задачам оптимизации операций в электронном ритейле, в частности — рекомендательные системы, коллаборативная фильтрация, методы факторизации и обработки имплицитных данных.

Цель работы заключается в разработке, тестировании и оценке прототипа ML-системы, ориентированной на повышение эффективности онлайн-продаж предприятия «Комус» путём внедрения алгоритмов персонализированной рекомендации товаров.

1. Проанализировать особенности бизнес-процессов в онлайн-ритейле, выявить участки, поддающиеся автоматизации с использованием ML-технологий.
2. Рассмотреть мировой опыт применения машинного обучения в ритейле, выявить устойчивые подходы и алгоритмические решения, доказавшие свою эффективность в реальной практике.
3. Изучить технический профиль компании «Комус», структуру её интернет-магазина и логистических операций, определить перспективные направления внедрения ML.
4. Сформировать архитектуру рекомендательной системы, выбрать адекватные алгоритмы, математические модели и методы обработки данных.
5. Реализовать прототип системы рекомендаций на языке Python с использованием открытых библиотек, подготовить API-интерфейс для последующей интеграции.
6. Провести имитационное тестирование прототипа, определить его точность, производительность и применимость к бизнес-среде компании.
7. Разработать методические рекомендации по внедрению системы в инфраструктуру «Комус», учесть технические и организационные аспекты.

Методологической основой исследования стали сравнительно-аналитический подход, методы прикладного моделирования и программной реализации алгоритмов, а также экспериментальное тестирование в изолированной среде. Важным инструментом анализа служит метрика оценки точности рекомендаций (precision, recall), средства визуализации данных, а также методы разреженной линейной алгебры.