Розроблення інформаційно-аналітичної системи оптимізації e-commerce процесів із використанням методів машинного навчання
Автор: Нестер Михайло Васильович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Студент: Нестер М.В. Керівник: Андрушко А.М. Тема: Розроблення інформаційно-аналітичної системи оптимізації е-соmmеrсе процесів із використанням методів машинного навчання. Заклад вищої освіти: Національний університет «Львівська політехніка» Рік: 2025 У сучасних умовах цифрової трансформації успіх підприємств електронної комерції (е-соmmеrсе) безпосередньо залежить від швидкості обробки та достовірності управлінських даних. Актуальною проблемою залишається неефективність ручного управління продажами, запасами та звітністю, що для малих і середніх бізнесів призводить до значних втрат часу, а також до високого рівня помилок у даних (до 8-10%). У зв’язку з цим зростає потреба у впровадженні інтегрованих інформаційно-аналітичних систем (ІАС), які забезпечують автоматизацію процесів та застосування прогнозної аналітики. Об’єктом дослідження є процеси управління, аналітики та оптимізації діяльності підприємств у сфері електронної комерції. Предметом дослідження є методи, моделі та засоби побудови інформаційно-аналітичних систем для підтримки прийняття рішень і підвищення ефективності бізнес-процесів із використанням машинного навчання. Метою дослідження є розроблення ІАС оптимізації е-соmmеrсе процесів із використанням методів машинного навчання, яка забезпечує автоматизацію збору, аналізу та візуалізації даних для підвищення ефективності управління бізнесом. Для досягнення поставленої мети було розроблено ІАС MIRAGOLD. Система базується на сучасній архітектурі Headless-commerce (API-first), що забезпечує гнучкість та масштабованість. Технологічний стек включає Next.js (Frontend/API), Prisma ORM та реляційну базу даних PostgreSQL , що гарантує типобезпечність та цілісність даних. Стислі результати дослідження: Автоматизація процесів: Реалізовано ключові функціональні модулі: управління каталогом товарів (Product/Item) з підтримкою Cloudinary, обробка замовлень (Order/OrderItem) з автоматичним оновленням запасів, а також модуль клієнтів. Аналітичне забезпечення: Розроблено аналітичний модуль, що забезпечує автоматичну генерацію звітів та візуалізацію ключових показників (КРІ: середній чек (AOV), оборотність запасів (ITR), рентабельність (Margin%)). Елементи машинного навчання (МН): Створено прототип інтелектуального модуля у вигляді RFM-аналізу (Recency, Frequency, Monetary) , який дозволяє сегментувати клієнтів (наприклад, VIP, Ризик втрати) та закладає основу для подальшої інтеграції моделей прогнозування попиту (LSTM) та рекомендаційних систем (FP-Growth). Оцінка ефективності: Комплексне тестування підтвердило 100% точність автоматизованих розрахунків. Впровадження системи призвело до скорочення операційного часу на обробку замовлень та формування звітів у 5-10 разів , забезпечуючи річну економію близько 240 годин. Економічне обґрунтування підтвердило очікуваний термін окупності проєкту 2,15 року. Система MIRAGOLD має практичне значення для малого та середнього бізнесу, оскільки мінімізує операційні помилки, забезпечує управління даними в єдиному середовищі та підготовлена до подальшого масштабування та впровадження інтелектуальних алгоритмів. Ключові слова: інформаційно-аналітична система, е-commerce, оптимізація процесів, автоматизація, аналітика даних, машинне навчання. Перелік використаних літературних джерел Laudon, K., & Laudon, J. (2022). Management Information Systems (15th ed.). Pearson. Turban, E., Outland, J., et al. (2023). Electronic Commerce 2023: A Managerial Perspective. Springer. Мазуренко, А. М. (2021). Аналіз даних у бізнес-процесах: методи і моделі. ЛНУ. Machine Learning Mastery. RFM Analysis Guide. URL: https://machinelearningmastery.com Krishnan, M. (2022). RFM Segmentation Techniques for Retail. Journal of Data Analysis.