Модель модуля динамической генерации персональных предложений дополнительных услуг для пассажиров авиакомпаний

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 

1. Абрамов В. И., Чуркин Д. А. Предиктивная аналитика взаимоотношений с клиентами как метод адаптации компании к изменениям и повышения ценности предложения // Экономика, предпринимательство и право. 2022. Т. 12. № 6. С. 1709–1722. DOI: 10.18334/epp.12.6.114842

2. Абрамов В. И., Абрамов И. В., Поливанов К. В., Семенков К. Ю. Цифровая трансформация системы управления отношениями с клиентами // Вопросы инновационной экономики. 2023. Т. 13. № 1. DOI: 10.18334/vinec.13.1.117051

3. Абрамов В. И., Чуркин Д. А. Оценка уровня зрелости системы управления взаимоотношениями с клиентами // Вестник университета. 2022. № 12. С. 5–13. DOI: 10.26425/18164277-2022-12-5-13

4. Vayghan L. A., Saied M. A., Toeroe M., Khendek F. Microservice based architecture: Towards high-availability for stateful applications with Kubernetes // 2019 IEEE 19th International conference on software quality, reliability and security (QRS) (Sofia, 22–26 July 2019). Piscataway, New Jersey: IEEE, 2019. P. 176–185. DOI: 10.1109/QRS.2019.00034

5. Омаров А. С. Модель рекомендательной системы для телекоммуникационных компаний // Наука и молодежь: материалы XVIII Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых: в 2 т. Т. 1 Ч. 1. Инженерно-технические науки (Барнаул, 19–23 апреля 2021 г.) / отв. ред. М. В. Гунер. Барнаул: Алтайский государственный технический университет имени И. И. Ползунова, 2021. С. 73–74.

6. Сафронов Д., Стоноженко К. М., Никифоров И. В. Автоматическая балансировка нагрузки между потоковой обработкой данных и внутренними задачами кластера с использованием Kubernetes // Современные технологии в теории и практике программирования: сборник материалов конф. (Санкт-Петербург, 23 апреля 2020 г.). СПб.: Политех-Пресс, 2020. С. 165–167.

7. Басин Д. Д. Анализ механизмов отказоустойчивости веб-приложений в платформах оркестрации контейнеров Kubernetes и Docker Swarm // Научно-технический семинар кафедры МОЭВМ: сборник докладов студентов и аспирантов. СПб.: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» имени В. И. Ульянова (Ленина), 2021. С. 12–19.

8. Mao Y., Fu Y., Gu S., Vhaduri S., Cheng L., Liu Q. Resource management schemes for cloudnative platforms with computing containers of docker and kubernetes // TechRxiv. 2020. DOI: 10.36227/techrxiv.13146548.v1

9. Carrión C. Kubernetes scheduling: Taxonomy, ongoing issues and challenges // ACM Computing Surveys. 2022. Vol. 55. No. 7. P. 1–37. DOI: 10.1145/3539606