Александр Дмитриевич Столяров, аспирант
115409, Москва, Каширское шоссе, д. 31
Aleksandr D. Stolyarov, postgraduate student
31 Kashirskoe Highway, Moscow 115409
Владимир Владимирович Гордеев, Генеральный директор
115201, Москва, Котляковская ул., д. 3, стр. 13
Vladimir V. Gordeev, CEO
3 Kotlyakovskaya St., bldg. 13, Moscow 115201
Виктор Иванович Абрамов, доктор экономических наук, кандидат физико-математических наук, профессор кафедры управления бизнес-проектами
115409, Москва, Каширское шоссе, д. 31
Victor I. Abramov, D.Sc. in Economics, PhD in Physical and Mathematical Sciences, Professor at the Department of Business Project Management
31 Kashirskoe Highway, Moscow 115409
Цель. Сформировать оптимальную модель программного модуля для генерации персональных предложений.
Задачи. Рассмотреть функциональные требования к модулю динамической генерации персональных предложений; проанализировать необходимые интеграции (вводы и выводы); выбрать оптимальную архитектуру модуля на основе поставленных перед ним задач и лучших практик; сформировать модель модуля для заданных типов генерируемых предложений.
Методология. При проведении исследования использованы общенаучные методы (анализ, синтез, монографический, группировка). Изучены лучшие практики построения рекомендательных систем, предназначенных для работы с большими данными с выделением наиболее перспективных подходов с точки зрения дальнейшего развития и потенциала к интеграции.
Результаты. Сформулированы функциональные требования к модулю динамической генерации персональных предложений и выполняемые им задачи. Проведен анализ лучших практик построения рекомендательных систем, предназначенных для работы с большими данными. Определена наиболее перспективная технологическая конфигурация модуля динамической генерации персональных предложений. Сформирована модель модуля генерации персональных предложений.
Выводы. Возможности обработки больших массивов данных позволяют существенно повышать эффективность маркетинговых инструментов, в частности путем обучения программного обеспечения в автоматическом режиме генерировать рекламные предложения дополнительных услуг, выбирая при этом оптимальный канал доставки, тип, класс услуги и этап жизненного цикла клиента. Работа модуля генерации персональных предложений возможна только в составе программного обеспечения, выполняющего ряд расширенных функций (таких как сбор, хранение и обработка данных о клиентах, кластеризация клиентов, сбор обратной связи о совершенных клиентами действиях, обучение на основе действий пользователей и многие другие). Ввиду этого архитектура модуля динамической генерации предложений должна позволять эффективно интегрироваться с программным обеспечением и работать с большими массивами данных, генерируемых авиакомпанией. В процессе исследования сформирована модель модуля
Aim. The presented study aims to develop an optimal model of a software module for generating personalized offers.
Tasks. The authors investigate the functional requirements of a module for dynamic generation of personalized offers; analyze the necessary integrations (inputs and outputs); choose the optimal architecture for the module based on the tasks assigned to it and best practices; develop a model of a module for the specified types of generated offers.
Methods. This study uses general scientific methods (analysis, synthesis, monographic method, grouping). Best practices of building recommendation systems designed to work with big data are investigated, and the most promising approaches in terms of further development and potential for integration are highlighted.
Results. The functional requirements of a module for dynamic generation of personalized offers and the tasks performed by it are formulated. Best practices of building recommendation systems designed to work with big data are analyzed. The most promising technological configuration of a module for dynamic generation of personalized offers is determined. A model of a module for generating personal offers is developed.
Conclusions. The capabilities of processing large amounts of data make it possible to significantly increase the effectiveness of marketing tools, particularly by training software to automatically generate advertising offers of additional services, choosing the optimal delivery channel, type, class of service, and stage of the customer lifecycle. A module for generating personalized offers can work only as part of software that performs several advanced functions (such as collecting, storing and processing customer data, clustering customers, collecting feedback on customer actions, training based on user actions, and many others). Therefore, the architecture of a dynamic offer generation module should be designed for effective integration with software and work with large amounts of data generated by the airline. During the study, a model of a module for generating personalized offers satisfying the requirements described above is developed.
The authors declare that there are no conflicts of interest present.