МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ
Uloženo v:
| Název: | МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В FMCG-РИТЕЙЛЕ: АРХИТЕКТУРА И ЭКСПЛУАТАЦИЯ В УСЛОВИЯХ ВЫСОКОЙ ИЗМЕНЧИВОСТИ ДАННЫХ |
|---|---|
| Informace o vydavateli: | Вестник науки, 2025. |
| Rok vydání: | 2025 |
| Témata: | 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 |
| Popis: | 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. |
| Druh dokumentu: | Research |
| DOI: | 10.24412/2712-8849-2025-485-663-675 |
| Rights: | CC BY |
| Přístupové číslo: | edsair.doi...........a18a4bb191f49b8b41fcd0ef3b97cbdc |
| Databáze: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | 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. |
|---|---|
| DOI: | 10.24412/2712-8849-2025-485-663-675 |