Машинное обучение электронной коммерции | Статья в журнале «Молодой ученый»

Автор:

Рубрика: Информатика

Опубликовано в Молодой учёный №11 (197) март 2018 г.

Дата публикации: 15.03.2018

Статья просмотрена: 87 раз

Библиографическое описание:

Хайитова И. И. Машинное обучение электронной коммерции // Молодой ученый. — 2018. — №11. — С. 57-59. — URL https://moluch.ru/archive/197/48777/ (дата обращения: 19.02.2019).



Статья посвящена общему обзору современных методов машинного обучения, применимых к сфере электронной коммерции. Раскрывается актуальность информационных технологий, направленных на усовершенствование торговых процессов, а также рассматриваются ключевые методологические вопросы.

Ключевые слова: машинное обучение, Big Data, электронная коммерция, e-commerce, анализ, CBR.

Экосистема современного бизнеса не может развиваться без внедрения информационных технологий. Это положение становится особенно актуальным применительно к сфере торговли. Реализация товаров с помощью Интернета применима к бизнесу любого уровня, поэтому разработка новых методов, способствующих успешному взаимодействию классической торговли и современных технологий, безусловно, актуальна. Для оптимизации работы электронных систем требуется применение машинного обучения — особого алгоритма, «объясняющего» компьютеру, что и когда ему нужно сделать. Это минимизирует роль программиста: устройство самостоятельно определяет, как сами верные действия в той или иной ситуации, так и их верную последовательность, базируясь на оперативном анализе имеющихся данных. Английский специалист П. Флах утверждает, что его смысл состоит в «использовании нужных признаков для построения моделей, подходящих для решения поставленных задач» [1]. При этом «модели обеспечивают разнообразие предмета машинного обучения, тогда как задачи и признаки придают ему единство». Специфика машинного обучения позволяет ему успешно решать многочисленные экономические задачи. К ним можно отнести поиск целевой аудитории, формирование оптимального торгового предложения для каждого покупателя, защиту от мошенников, регулировку финансовых процессов и т. д. Для практической реализации подобных целей используются методики разного типа, в частности, — приемы обучения с учителем, построенные на внедрении целого ряда задач: классификации, регрессии, рекомендации, заполнении пропусков и т. д. Этот список можно продолжать достаточно долго, ведь типология задач, позволяющих успешно реализовывать технологию машинного обучения, постоянно расширяется и совершенствуется. Под электронной коммерцией, вслед за А. В. Юрасовым, в настоящей работе будет пониматься «любой вид сделок, при которых взаимодействие сторон осуществляется электронным способом вместо физического обмена или непосредственного физического контакта. Применительно к современным реалиям сюда входит, прежде всего, торговля через Интернет, требующая тщательного индивидуального подхода к клиентам на всех этапах: от продвижения площадки или конкретного товара до расширения спектра покупательского спроса и усовершенствования системы оформления и получения заказа, а также обратной связи. Именно поэтому машинное обучение в этой сфере становится особенно необходимым. В настоящей статье мы рассмотрим ключевые методы машинного обучения, применимые к электронной коммерции [3].

На наш взгляд, такие приемы позволяют максимально продуктивно реализовать возможности онлайн-торговли с применением инновационных технологий.

  1. CBR-метод. Представляет собой рассуждение на основе прецедентов. Его реализация позволяет решать задачи, связанные с поиском аналогий, используя ранее зафиксированные решения. Обязательным условиям использования подобного метода служит сходство прецедентной и актуальной ситуаций. Система основана на том, что пользователь задает требуемые параметры путем работы с интерфейсом или формирования заказа. Анализируя параметры, система предлагает ряд прецедентов. Решение, принятое пользователем, сохраняется в памяти устройства и в дальнейшем используется в качестве нового элемента накопленного опыта. Один из самых распространенных CBR-методов — метод ближайшего соседа. Он позволяет наиболее быстро и легко выявить степень сходства текущей ситуации с прецедентами из базы.
  2. Коллаборативная фильтрация. Комплекс методов, определяющих возможные предпочтения пользователей. За основу берутся уже изученные мнения других пользователей. Действует принцип аналогии: если два человека дали похожие ответы на одни и те же вопросы, то можно предположить, что и другие ответы у них будут схожи. Примеры реализации подобных методов достаточно часто встречаются в Интернет-магазинах: достаточно вспомнить систему рекомендации смежных товаров, которые могут быть интересны покупателю той или иной позиции. Однако на практике метод сталкивается с рядом сложностей. Чем большее количество пользователей и объектов задействовано, тем сложнее выстроить верный алгоритм и найти решение задачи. Машинное обучение позволяет реализовывать тип коллаборативной фильтрации, построенный на создании моделей [2]. При этом используются кластеризация, метод байесовских сетей и латентной семантической модели.
  3. Анализ аудио- и видеоданных. Реализация этого метода возможна при наличии дополнительного оборудования. Так, исследователями МГТУ им. Н. Э. Баумана Т. М. Волосатовой и В. Е. Яблоковым предложена методика, позволяющая анализировать специфику поведения посетителей магазина при помощи изучения данных системы слежения. Это позволяет оптимизировать процесс торговли и сделать его более ориентированным на покупателей. Благодаря внедрению машинного обучения возможен учет таких параметров, как количество посетителей (в т. ч. постоянных), расчет времени, проведенного в торговой точке, и т. д.
  4. Работа с Big Data. Big Data (далее — BD) — «целая серия инструментов и методов для обработки огромных структурированных и неструктурированных объемов данных разнообразных форматов и находящихся в различных местах» [2]. На сегодняшний день Большие Данные прочно укрепились в сфере электронной коммерции, поэтому достижение значимых результатов невозможно без их тщательной автоматизированной аналитики. Несмотря на то, что BD позволяют успешно реализовывать многие коммерческие задачи, а также служат отличной базой для машинных методов обучения, эксперты отмечают ряд связанных с ними проблем. В частности, они связаны с недостаточным количеством специалистов, поэтому создание универсальных алгоритмов становится особенно важной задачей. Безусловно, методологический аппарат машинного обучения не ограничивается предложенным нами списком [1]. Спектр применения алгоритмов, призванных автоматизировать электронную коммерцию и сделать ее более персонализированной, значительно шире. Регулярно появляются новые методики, благодаря которым торговые процессы становятся значительно проще и удобнее: появляется возможность сэкономить на штате работников, возрастает конверсия, ускоряется процесс обработки данных и т. д. Применение подобных технологий позволяет решать и другие актуальные проблемы, например, предсказать движение потока клиентов, что дает возможность эффективно управлять им. Именно поэтому развитие технологии машинного обучения и внедрение новых алгоритмов и моделей представляется нам одной из приоритетных задач современной науки.

Литература:

  1. Домингос П. Верховный алгоритм: как машинное обучение изменит наш мир. — М.: Манн, Иванов и Фербер, 2016. — 336 с.
  2. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. — М.: ДМК Пресс, 2015. — 400 с.
  3. Юрасов А. В. Электронная коммерция: Учеб. пособие. — М.: Дело, 2003. — 480 с.
Основные термины (генерируются автоматически): машинное обучение, электронная коммерция, CBR, задача.


Похожие статьи

Анализ проблем обеспечения информационной безопасности...

Машинное обучение электронной коммерции.

Машинное обучение электронной коммерции. Сети передачи данных и проблемы обеспечения их информационной безопасности.

Обеспечения безопасности электронной коммерции...

Предназначением этого программного средства является решение следующих задач: − шифрование (защита) передаваемых или хранимых конфиденциальных данных

Машинное обучение электронной коммерции.

Использование прогнозной аналитики...

Однако поиск такой целевой группы — далеко не тривиальная задача. Как правило, маркетолог делает какие-то свои предположения на этот счет и проверяет их на практике.

Машинное обучение [Электронный ресурс].

Информационные технологии в экономике. Использование Internet...

Ключевые слова: безналичный расчет, инфраструктура, информационный центр, инфляция, коммерческая организация, платежная система, риск, торговая площадка, электронная коммерция.

Сетевое обучение: «за» и «против» | Статья в журнале...

вебинар, онлайн обучение, Интернет, информационная система, компьютерные технологии, обучение в сети, средства электронного обучения, учебный курс, Moodle, IT-технологии. Похожие статьи. Машинное обучение электронной коммерции.

Проблемы развития электронной торговли в России

Электронная торговля открывает новые горизонты для развития бизнеса; именно поэтому наличие системы электронной коммерции является

Внедрение более эффективной системы — DSK требует времени обучения и увеличивает трансакционные издержки.

Деревья решения для задач построения рейтинга коммерческих...

Скачать электронную версию.

предназначена для решения задач классификации на 2 класса. Рекомендуют использовать XGboost как наиболее продвинутую группу моделей машинного обучения.

Онлайн платформы машинного обучения | Статья в журнале...

Скачать электронную версию. Скачать Спецвыпуск Студенческая научно-практическая конференция «Образование – путь в профессию» (pdf).

В нынешний день существуют различные инструменты и платформы для решения задач машинного обучения.

Развитие машинного обучения в фармакологии

Машинное обучение — один из разделов искусственного интеллекта, который связан с компьютерами, основной смысл которого — способность приобретения знаний из данных, так, чтобы явное программирование не было необходимо для выполнения задачи.

Обсуждение

Социальные комментарии Cackle

Похожие статьи

Анализ проблем обеспечения информационной безопасности...

Машинное обучение электронной коммерции.

Машинное обучение электронной коммерции. Сети передачи данных и проблемы обеспечения их информационной безопасности.

Обеспечения безопасности электронной коммерции...

Предназначением этого программного средства является решение следующих задач: − шифрование (защита) передаваемых или хранимых конфиденциальных данных

Машинное обучение электронной коммерции.

Использование прогнозной аналитики...

Однако поиск такой целевой группы — далеко не тривиальная задача. Как правило, маркетолог делает какие-то свои предположения на этот счет и проверяет их на практике.

Машинное обучение [Электронный ресурс].

Информационные технологии в экономике. Использование Internet...

Ключевые слова: безналичный расчет, инфраструктура, информационный центр, инфляция, коммерческая организация, платежная система, риск, торговая площадка, электронная коммерция.

Сетевое обучение: «за» и «против» | Статья в журнале...

вебинар, онлайн обучение, Интернет, информационная система, компьютерные технологии, обучение в сети, средства электронного обучения, учебный курс, Moodle, IT-технологии. Похожие статьи. Машинное обучение электронной коммерции.

Проблемы развития электронной торговли в России

Электронная торговля открывает новые горизонты для развития бизнеса; именно поэтому наличие системы электронной коммерции является

Внедрение более эффективной системы — DSK требует времени обучения и увеличивает трансакционные издержки.

Деревья решения для задач построения рейтинга коммерческих...

Скачать электронную версию.

предназначена для решения задач классификации на 2 класса. Рекомендуют использовать XGboost как наиболее продвинутую группу моделей машинного обучения.

Онлайн платформы машинного обучения | Статья в журнале...

Скачать электронную версию. Скачать Спецвыпуск Студенческая научно-практическая конференция «Образование – путь в профессию» (pdf).

В нынешний день существуют различные инструменты и платформы для решения задач машинного обучения.

Развитие машинного обучения в фармакологии

Машинное обучение — один из разделов искусственного интеллекта, который связан с компьютерами, основной смысл которого — способность приобретения знаний из данных, так, чтобы явное программирование не было необходимо для выполнения задачи.

Задать вопрос