View in EDS

МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ

Saved in:
Bibliographic Details
Title: МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ
Publisher Information: Вестник науки, 2025.
Publication Year: 2025
Subject Terms: концептуальный дрейф, model sustainability, персонализация, устойчивость моделей, retail, машинное обучение, розничная торговля, demand forecasting, machine learning, model architecture, прогнозирование спроса, conceptual drift, архитектура моделей, personalization
Description: The article discusses architectural approaches to the construction and operation of machine learning models in FMCG retail, focusing on the resilience of solutions to data drift and concepts. The analysis of typical classes of models used for demand forecasting, inventory optimization, marketing personalization and customer behavior management is carried out. The problems of integrating ML systems into the business processes of FMCG companies are highlighted, recommendations are given on the implementation of MLOps approaches, monitoring models and ensuring data quality. Special attention is paid to the prospects of using generative and self-learning algorithms, as well as to the directions of further research in the field of increasing the adaptability of ML models in conditions of high data instability.
В статье рассматриваются архитектурные подходы к построению и эксплуатации моделей машинного обучения в FMCG-ритейле, акцентируется внимание на устойчивости решений к дрейфу данных и концепций. Проведен анализ типовых классов моделей, применяемых для прогнозирования спроса, оптимизации товарных запасов, персонализации маркетинга и управления клиентским поведением. Освещены проблемы интеграции ML-систем в бизнес-процессы FMCG-компаний, даны рекомендации по внедрению MLOps-подходов, мониторингу моделей и обеспечению качества данных. Отдельное внимание уделено перспективам использования генеративных и самообучающихся алгоритмов, а также направлениям дальнейших исследований в области повышения адаптивности ML-моделей в условиях высокой нестабильности данных.
Document Type: Research
DOI: 10.24412/2712-8849-2025-485-663-675
Rights: CC BY
Accession Number: edsair.doi...........a18a4bb191f49b8b41fcd0ef3b97cbdc
Database: OpenAIRE
FullText Text:
  Availability: 0
CustomLinks:
  – Url: https://www.webofscience.com/api/gateway?GWVersion=2&SrcApp=EBSCO&SrcAuth=EBSCO&DestApp=WOS&ServiceName=TransferToWoS&DestLinkType=GeneralSearchSummary&Func=Links&author=
    Name: ISI
    Category: fullText
    Text: Nájsť tento článok vo Web of Science
    Icon: https://imagesrvr.epnet.com/ls/20docs.gif
    MouseOverText: Nájsť tento článok vo Web of Science
Header DbId: edsair
DbLabel: OpenAIRE
An: edsair.doi...........a18a4bb191f49b8b41fcd0ef3b97cbdc
RelevancyScore: 887
AccessLevel: 3
PubType: Report
PubTypeId: report
PreciseRelevancyScore: 886.736389160156
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ
– Name: Publisher
  Label: Publisher Information
  Group: PubInfo
  Data: Вестник науки, 2025.
– Name: DatePubCY
  Label: Publication Year
  Group: Date
  Data: 2025
– Name: Subject
  Label: Subject Terms
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22концептуальный+дрейф%22">концептуальный дрейф</searchLink><br /><searchLink fieldCode="DE" term="%22model+sustainability%22">model sustainability</searchLink><br /><searchLink fieldCode="DE" term="%22персонализация%22">персонализация</searchLink><br /><searchLink fieldCode="DE" term="%22устойчивость+моделей%22">устойчивость моделей</searchLink><br /><searchLink fieldCode="DE" term="%22retail%22">retail</searchLink><br /><searchLink fieldCode="DE" term="%22машинное+обучение%22">машинное обучение</searchLink><br /><searchLink fieldCode="DE" term="%22розничная+торговля%22">розничная торговля</searchLink><br /><searchLink fieldCode="DE" term="%22demand+forecasting%22">demand forecasting</searchLink><br /><searchLink fieldCode="DE" term="%22machine+learning%22">machine learning</searchLink><br /><searchLink fieldCode="DE" term="%22model+architecture%22">model architecture</searchLink><br /><searchLink fieldCode="DE" term="%22прогнозирование+спроса%22">прогнозирование спроса</searchLink><br /><searchLink fieldCode="DE" term="%22conceptual+drift%22">conceptual drift</searchLink><br /><searchLink fieldCode="DE" term="%22архитектура+моделей%22">архитектура моделей</searchLink><br /><searchLink fieldCode="DE" term="%22personalization%22">personalization</searchLink>
– Name: Abstract
  Label: Description
  Group: Ab
  Data: The article discusses architectural approaches to the construction and operation of machine learning models in FMCG retail, focusing on the resilience of solutions to data drift and concepts. The analysis of typical classes of models used for demand forecasting, inventory optimization, marketing personalization and customer behavior management is carried out. The problems of integrating ML systems into the business processes of FMCG companies are highlighted, recommendations are given on the implementation of MLOps approaches, monitoring models and ensuring data quality. Special attention is paid to the prospects of using generative and self-learning algorithms, as well as to the directions of further research in the field of increasing the adaptability of ML models in conditions of high data instability.<br />В статье рассматриваются архитектурные подходы к построению и эксплуатации моделей машинного обучения в FMCG-ритейле, акцентируется внимание на устойчивости решений к дрейфу данных и концепций. Проведен анализ типовых классов моделей, применяемых для прогнозирования спроса, оптимизации товарных запасов, персонализации маркетинга и управления клиентским поведением. Освещены проблемы интеграции ML-систем в бизнес-процессы FMCG-компаний, даны рекомендации по внедрению MLOps-подходов, мониторингу моделей и обеспечению качества данных. Отдельное внимание уделено перспективам использования генеративных и самообучающихся алгоритмов, а также направлениям дальнейших исследований в области повышения адаптивности ML-моделей в условиях высокой нестабильности данных.
– Name: TypeDocument
  Label: Document Type
  Group: TypDoc
  Data: Research
– Name: DOI
  Label: DOI
  Group: ID
  Data: 10.24412/2712-8849-2025-485-663-675
– Name: Copyright
  Label: Rights
  Group: Cpyrght
  Data: CC BY
– Name: AN
  Label: Accession Number
  Group: ID
  Data: edsair.doi...........a18a4bb191f49b8b41fcd0ef3b97cbdc
PLink https://erproxy.cvtisr.sk/sfx/access?url=https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........a18a4bb191f49b8b41fcd0ef3b97cbdc
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.24412/2712-8849-2025-485-663-675
    Languages:
      – Text: Undetermined
    Subjects:
      – SubjectFull: концептуальный дрейф
        Type: general
      – SubjectFull: model sustainability
        Type: general
      – SubjectFull: персонализация
        Type: general
      – SubjectFull: устойчивость моделей
        Type: general
      – SubjectFull: retail
        Type: general
      – SubjectFull: машинное обучение
        Type: general
      – SubjectFull: розничная торговля
        Type: general
      – SubjectFull: demand forecasting
        Type: general
      – SubjectFull: machine learning
        Type: general
      – SubjectFull: model architecture
        Type: general
      – SubjectFull: прогнозирование спроса
        Type: general
      – SubjectFull: conceptual drift
        Type: general
      – SubjectFull: архитектура моделей
        Type: general
      – SubjectFull: personalization
        Type: general
    Titles:
      – TitleFull: МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ
        Type: main
  BibRelationships:
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 01
              Type: published
              Y: 2025
          Identifiers:
            – Type: issn-locals
              Value: edsair
ResultId 1