Архитектура и математическое обеспечение системы поддержки принятия решений продавцов маркетплейсов

Авторы:
Лю Ц.
Аннотация:

Рост маркетплейсов как многосторонних цифровых платформ сформировал для продавца среду принятия решений, принципиально отличную от традиционной розницы: более детализированный поведенческий след покупателя сочетается с более узким набором управляемых параметров. Исследование обращается к разрыву между объёмом доступных поведенческих данных и отсутствием целостной архитектуры поддержки принятия решений, связывающей эти данные с разными типами решений продавца. Цель статьи — разработка архитектурной модели (в нотации ArchiMate) системы поддержки принятия решений (СППР) продавца маркетплейса и математического обеспечения её аналитических и решающих модулей. Использованы методы систематизации научной литературы, архитектурного моделирования предприятия и математического моделирования, включая дискретно-временные модели риска и полином Колмогорова-Габора. Предложенная архитектура охватывает бизнес- и прикладной слои ArchiMate-модели для четырёх ролей продавца и четырёх сценариев решений — позиционирование, рекомендации, модификацию ассортимента и пополнение запасов, — опирающихся на единый аналитический конвейер и явную интеграцию с платформой маркетплейса и внешними поставщиками рыночных данных. Предложенные архитектура и математический аппарат могут служить эталонным решением для информационных систем поддержки продавцов на маркетплейсах и основой для дальнейшей эмпирической апробации.

Ключевые слова:
система поддержки принятия решенийархитектура предприятияArchiMateмаркетплейсповедение потребителейполином Колмогорова-Габорадискретно-временная модель рискарекомендательная система
  • Список литературы

    Acharjee S., Abujar S., Acharjee S., Islam, S. 2017. Decision support system for online
    product recommendation service based on consumer behavior. International Journal of Computer Applications 174(8), 34–37. doi:10.5120/ijca2017915456.
    Amiri M., Soleimani S. 2021. ML-based group method of data handling: an improvement on the conventional GMDH. Complex & Intelligent Systems 7, 2949–2960.
    Bril A.R., Kalinina O.V., Ilin I.V., Iliashenko O.Y., Dubgorn A.S. 2017. Forecasting the turnover growth in the risk management system as management decisions support. In: Proceedings of 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM), 692–693.
    Dholakia U.M., Zhao M. 2019. Understanding online marketplaces: a literature review. Journal of Retailing and Consumer Services 51, 316–329.
    Huang Y., Chai Y., Liu Y., Shen J. 2019. Architecture of next-generation e-commerce platform. Tsinghua Science and Technology 24(1), 18–29.
    Ilyin I.V., Iliashenko O.Yu., Makov K.M., Frolov K.V. 2015. Developing a reference model of the information system architecture of high-tech enterprises. St. Petersburg State Polytechnical University Journal. Economics, 5(228), pp. 97–107.
    Ivakhnenko A.G. 1971. Polynomial theory of complex systems. IEEE Transactions on Systems, Man, and Cybernetics, SMC-1(4), 364–378.
    Kalashnikov N.A. 2023. Digitalization of management systems in retail: Russia in the context of global transformation. E-Management 6(2), 14–24. doi:10.26425/2658-3445-2023-6-2-14-24.
    Katasonov I.A. 2022. Digital transformation of retail trade: efficiency of business-process automation and robotization. Strategic Decisions and Risk Management 13(2), 160–170. doi:10.17747/2618-947X-2022-2-160-170.
    Kolmogorov A.N. 1957. On the representation of continuous functions of several variables by superposition of continuous functions of one variable and addition. Doklady Akademii Nauk SSSR 114(5), 953–956.
    Liu Q., Wang R., Pareti M., Castellini A., Viaggi D., Canavari M. 2026. Big data in consumer behavior research: a systematic review of data sources, analytical methods, and research questions. Journal of Marketing Analytics. doi:10.1057/s41270-026-00470-6.
    Lyovina A.I., Liu Q. 2026. Challenges of consumer behavior analysis: the potential of using the Kolmogorov–Gabor polynomial. Global Scientific Potential 4(181), 225–230.
    Platzer M., Reutterer T. 2016. Ticking away the moments: timing regularity helps to better predict customer activity. Marketing Science 35(5), 779–799.
    Singh K., Basu R. 2023. Online consumer shopping behaviour: a review and research agenda. International Journal of Consumer Studies 47(3), 815–851. doi:10.1111/ijcs.12899.
    Svetunkov S.G. 2024. Elementary image of the Kolmogorov–Gabor polynomial in economic modeling. Technoeconomics 3(2), 4–21. doi:10.57809/2024.3.2.9.1.
    The Open Group. 2022. ArchiMate 3.2 Specification. Zaltbommel: Van Haren Publishing.
    Wulfert T., Karger E. 2022. Shaping digital platforms in e-commerce: developing an architecture framework. In: Proceedings of the 26th Pacific Asia Conference on Information Systems (PACIS 2022), 1–17.
    Zhang Y., Bradlow E.T., Small D.S. 2015. Predicting customer value using clumpiness: from RFM to RFMC. Marketing Science 34(2), 195–208.
    Zong K., Yuan Y., Montenegro-Marin C.E., Kadry S.N. 2021. OR-based intelligent decision support system for e-commerce. Journal of Theoretical and Applied Electronic Commerce Research 16(4), 1150–1164.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья