CC BY
7
Удк 339.1; 330.4; 658.6 JEL Classification: F19
1нформац1йно-лопчна модель визначення споживчих пр1оритет1в в електронн1й торг1вл1 на основ1 кластерного РОЗПОД1лУ та КлАСИФ1КАЦ11 особистого та споживчого проф1лю кл1снта*
® 2018 пурський о. I., ХАРЧЕНКО 0. А., ЧЕРНИШОВА Д. Д.
УДК 339.1; 330.4; 658.6 JEL Classification: F19
Пурський О. I., Харченко О. А., Чернишова Д. Д. 1нформацшно-лопчна модель визначення споживчих прюрителв в електроннiй торгiвлi на ochobî кластерного розподiлу та класифiкацiï особистого та споживчого профiлю клкнта
Розроблено шформащно-пог'тну модель реал'зацИ процесу визначення споживчих прюритет'в у рамках взаемод'и постачальника i покупця з ви-користанням кластерного розпод'шу i класифшаци на основ! особистого та споживчого проф'шю тента. lнформацiйно-логiчна модель визначення тентських вподобань дозволяе удосконалити б'знес-процес вибору рацонального набору товар'в i послуг залежно вiд тентських характеристик, сформувати актуальну систему ринкових в'дносин та забезпечити рацональнсть i своечасшсть надходження товар'ю i послуг на ринок електронно/ торг'вл'!, що забезпечить >хню диверсифкацю та диферен^ацю. Запропоновано рацональний наб'р параметр'в iнформацiïпро тент'т i 1х активност'1 на ринку електронно/ тор^вли Охарактеризовано процес збору, тдготовки й анал'ву iнформацiï про тент'в ринку електронноÏ торгiвлi для наступно1 и кластеризацИ i класиф'шаци. Визначено джерела тформацп, про'шюстрований зв'язок мiж обраними характеристиками, представлено наб'р з 22 характеристик споживач'в ринку електронноÏ торгiвлi. Охарактеризоване поняття споживчого проф'шю на ринку електронноÏторгiвлi i особистого профшю тента як описовоïскладовоïелемента всередиш тентського кластера, що в сукупност'! в'дображають цлсну модель типового тента ринку електронноïторгiвлi i можуть бути використат з метою виявлення та анал'ву споживчих прюритет'в. Для встановлення зв'язку м!ж профшями i кластерами застосовано метод опорних вектор'в. Ключов'1 слова: електронна торгiвля, споживчiпрюритети, кластериза^я, iнформацiйно-логiчна модель. Рис.: 9. Табл.: 1. Ббл.: 34.
Пурський Олег 1ванович - доктор ф'зико-математичних наук, професор, кафедра юбернетики та системного анал'зу, Ки/вський нацональний торговельно-економiчний ушверситет (вул. Кото, 19, Кив, 02156, Украна) E-mail: Pursky_O@ukr.net
Харченко Олександр Анатолшович - кандидат техн'мних наук, доцент, кафедра програмно1 нженерИ та iнформацiйних систем, Ки/вський нацо-нальний торговельно-економiчний ушверситет (вул. Мото, 19, Кив, 02156, Украна)
Чернишова Дарина Дмитрiвна - студент, Ки/вський нацональний торговельно-економ'нний ушверситет (вул. Мото, 19, Ки1в, 02156, Украна)
УДК339.1; 330.4; 658.6 JEL Classification: F19 Пурский О. И., Харченко А. А., Чернышова Д. Д. Информационно-логическая модель определения потребительских приоритетов в электронной торговле на основе кластеризации и классификации личного и потребительского профиля клиента
Разработана информационно-логическая модель реализации процесса определения потребительских приоритетов в рамках взаимодействия поставщика и покупателя с использованием методов кластеризации и классификации на основе личного и потребительского профиля клиента. Информационно-логическая модель определения клиентских предпочтений позволяет усовершенствовать бизнес-процесс выбора рационального набора товаров и услуг в зависимости от клиентских характеристик, сформировать актуальную систему рыночных отношений, обеспечить рациональность и своевременность поступление товаров и услуг на рынок электронной торговли, что обеспечит их диверсификацию и дифференциацию. Предложен рациональный набор параметров информации о клиентах и их активности на рынке электронной торговли. Охарактеризован процесс сбора, подготовки и анализа информации о клиентах рынка электронной торговли для последующей ее кластеризации и классификации. Определены источники информации, проиллюстрирована связь между избранными ха-
UDC339.1; 330.4; 658.6 JEL Classification: F19 Pursky O. I., Kharchenko O. A., Chernyshova D. D.
An Information-Logical Model for Determining Consumer Priorities in Electronic Commerce Based on Clustering and Classifying a Client's Personal and Consumer Profile
An informational-logical model for the implementation of the process of determining consumer priorities in the framework of supplier and customer interaction is developed using the clustering and classification methods based on a client's personal and consumer profile. The information-logical model for determining customer preferences allows improving the business process of choosing a rational set of goods and services depending on customer characteristics; form an actual system of market relations; ensure rationality and timeliness of the flow of goods and services to the e-commerce market, which will ensure their diversification and differentiation. A rational set of parameters of information about clients and their activity in the e-commerce market is proposed. The process of collecting, preparing and analyzing information about clients in the e-commerce market for its subsequent clustering and classification is characterized. The sources of information are identified, the relationship among the selected characteristics is illustrated, and a set of 22 characteristics of consumers in the e-commerce market is presented. There given a description of the concepts of consumer profile in the e-commerce
* Дослгдження зЫйснено за ф1нансово\' тдтримки Мшктерства осв1ти i науки Украши, проект № 0117U000507, тема «Мо-делювання механiзмiв функщонування мiжнародноï електронноХ торгiвлi».
рактеристиками, представлен набор из 22 характеристик потребителей рынка электронной торговли. Представлена характеристика понятий потребительского профиля на рынке электронной торговли и личного профиля клиента как описательной составляющей элемента внутри клиентского кластера, которые в совокупности отображают целостную модель типичного клиента рынка электронной торговли и могут быть использованы с целью выявления и анализа потребительских приоритетов. Для установления связи между профилями и кластерами применен метод опорных векторов. Ключевые слова: электронная торговля, потребительские приоритеты, кластеризация, информационно-логическая модель. Рис.: 9. Табл.: 1. Библ.: 34.
Пурский Олег Иванович - доктор физико-математических наук, профессор, кафедра кибернетики и системного анализа, Киевский национальный торгово-экономический университет (ул. Киото, 19, Киев, 02156, Украина) E-mail: Pursky_O@ukr.net
Харченко Александр Анатольевич - кандидат технических наук, доцент, кафедра программной инженерии и информационных систем, Киевский национальный торгово-экономический университет (ул. Киото, 19, Киев, 02156, Украина)
Чернышова Дарина Дмитриевна - студент, Киевский национальный торгово-экономический университет (ул. Киото, 19, Киев, 02156, Украина)
market and personal profile of a client as a descriptive component of the element within the client cluster, which together represent a complete model of a typical e-commerce client and can be used to identify and analyze consumer priorities. To establish the relationship between the profiles and clusters, the support vector machine is applied.
Keywords: e-commerce, consumer priorities, clustering, information-logical model.
Fig.: 9. Tbl.: 1. Bibl.: 34.
Pursky Oleg I. - Doctor of Sciences (Physics and Mathematics), Professor, Department of Cybernetics and Systems Analysis, Kyiv National University of Trade and Economics (19 Kioto Str., Kyiv, 02156, Ukraine) E-mail: Pursky_O@ukr.net
Kharchenko Oleksandr A. - Candidate of Sciences (Engineering), Associate Professor, Department of Software Engineering and Information Systems, Kyiv National University of Trade and Economics (19 Kioto Str., Kyiv, 02156, Ukraine)
Chernyshova Daryna D. - Student, Kyiv National University of Trade and Economics (19 Kioto Str., Kyiv, 02156, Ukraine)
Вступ. Сучасш свiтовi економiчнi умови, глобаль защя економши, прискорення процесш розвитку ринкш, шформацшних технологш, соцiально-полiтичнi фактори вимагають в1д торговельних тдприемств нових пiдходiв до формування споживчого попиту та пропозицп, виро-блення адекватних методичних ршень та шструменталь-них засобiв у сферi управлшня ^ентською базою i упо-добаннями ^енпв, особливо це стосуеться таких нових форм ведення торговельно! дiяльностi, як електронна торпвля. Одшею з найбкьш важливих умов забезпечення конкурентоспроможносп тдприемств електронно! тор-г:^ е побудова ефективно! концепцп взаемин з Рентами, яка здатна забезпечити врахування споживчих уподобань i тдвищення загального рiвня привабливост торговельно-го тдприемства на електронному ринку товарш i послуг. Проблематика створення тако! концепцп i методики ура-хування споживчих прюритепв в електроннш торг:^ ще недостатньо дослужена, у зв'язку з низьким ршнем орга-шзаци процесу комушкацГ! мiж суб'ектами електронного ринку товарш i послуг, в^сутшстю адекватно! i своечасно! в^пов^ на виникаючi потреби ^ентш, недостатньою ви-вчешстю ^ентських уподобань, низьким ршнем впрова-дження автоматизованих систем управлшня взаемов^но-синами з юиентами (СИМ-системи).
На практищ досить часто для визначення споживчих уподобань використовуються методи штелектуального анамзу даних, за допомогою яких визначаються неявш, ла-тентнi закономiрностi, як знаходяться в даних мошторин-гу ^ентсько! активностi, що складаються з набору споживчих i особистих характеристик юиенпв.
Дослiдженням механiзмiв електронно! торгiвлi за-ймалася значна ккьисть вiтчизняних i закордонних на-уковщв, зокрема: 1лляшенко С. [1], Вгглшський В. [2],
Грiнстейн С. [3], Девю Г. [4], Xаррiс Л. [5], Юарамгаро Б. [б], Хейг М. [7], Граф А. [8], Дюбанов О. [9], Лаyдон K. [1G], Шнейдер Г. [11], Кyмар М. [12]. Водночас варто зазначити, що застосyвання методiв iнтелектyального аналiзy даних (1АД) в процесi аналiзy споживачiв електронного ринку товарш i послуг мае неповний i фрагментарний характер: кластеризащя без повно! класифжаци (або з уже вiдомою ккьистю кластерiв), загалом не використовуеться меха-нiзм пошуку оптимальних алгоритмiв розбивки кластеров за споживчими прiоритетами, не застосовуються методи скорочення простору ознак, в^сутне розширення бази знань y процеа класифiкацiï тощо. При цьому застосування результатш 1АД недостатньо формамзоване й автоматизо-ване, що негативно позначаеться на своечасност й оперативно™ прийняття yправлiнських рiшень, i тдвищенш ло-яльностi й ефективност роботи з клieнтами. Необхiдний рiвень формалiзацï¿ i автоматизаци може забезпечити iмп-лементацiя системи yправлiння бiзнес-правилами (BRMS -Business Rules Management System) y рамках концепцп прийняття управлшських рiшень (EDM - Enterprise Décision Management) за рахунок ïï використання як частини методологи CRM, впроваджено! на типовому пiдприeмствi електронно! торгiвлi [13-15].
Головна мета роботи полягае y розробщ шформа-цiйно-логiчноï моделi визначення споживчих прюритетш в електроннiй торгiвлi на основi методш класифiкацiï та кластеризащ! даних.
Виклад основного матерiалy. Сучасну економiкy часто називають економiкою послуг, цей факт пояснюеться тим, що сфера надання послуг становить бкьше 5G % частки ВВП бкьшосп розвинених краш свiтy [1б]. Щорiчно збкь-шуються масштаби споживання i номенклатура послуг, що передбачае наявшсть великого обсягу iнформацiйних по-
токГв, ефективно обробляти якi пiдприемства не можуть без впровадження i наступного використання сучасних програмно-шструментальних засобiв, на основi штелекту-альних методiв обробки даних i конкретних бiзнес-рiшень. Розвиток цившзованого ринку електронно! торгiвлi пов'язаний, в першу чергу, зi збiльшенням конкуренцГ!. Ви-робники товарГв i постачальники послуг високотехнолопч-них галузей (телекомунжащя, iнтернет-провайдери, про-вайдери «хмарного сервюу» i т. д.) намагаються запропо-нувати новi вирiшення проблем споживачiв. Це забезпечуе споживачам право вибору i формуе рiзноманiття продуктiв i послуг, а як наслiдок - стабшзуе поступальний розвиток соцiально-економiчно! системи. Найбкьш ефективною стратегiею в електроннш торгiвлi е побудова довгостро-кових довiрчих вiдносин з усiма наявними i потенцiйними клiентами (з кожним iз них), щоб вони знали про можли-востi та конкуренты переваги продуктiв i послуг бiзнесу i могли у потрiбний момент ними скористатися без зайвих витрат i зусиль iз боку менеджерiв [17]. Очевидно, що е га-лузi економiки, у яких побудова подiбних вiдносини з кожним iз клiентiв е практично неможливою - клiентiв багато, розмiр прибутив вiд кожного невеликий, i тдтримувати iнформацiю про кожного iз них економiчно не вигiдно. 1н-формащю про товари споживання i продукти харчування легше донести до мГльйошв споживачГв через засоби масо-во! iнформацi! шляхом шаблонних рекламних пропозицш, оскГльки вартiсть доставки кожному покупцевi iнформацi! про подiбнi товари явно перевищить прибуток вiд !хньо! покупки конкретним покупцем.
З шшого боку, для галузей, у яких конкуренщя ви-йшла на рiвень взаемодГ! з кожним Тентом, встановлення i пiдтримка вiдносин з ним стае ключовою, якщо не головною конкурентною перевагою. Насамперед це стосуеться надання корпоративних послуг, де кожний клент - це ком-пашя зi складною системою внутршшх вiдносин i постш-но мшливими вимогами. Знання цих вимог, умшня нала-годити стосунки з оргашзащею загалом та з конкретними людьми, що приймають ршення, стае на сьогодн необхГд-ною умовою ефективного бiзнесу. Незалежно вiд того, чи займаеться тдприемство виробництвом складного про-мислового устаткування, чи надае високотехнолопчш по-слуги, кожний його клГент мае певну цiннiсть, i ця цiннiсть тем вище, чим стшкше i довiрливiше складаються вГдноси-ни з компанiею-клiентом i !! ключовими спiвробiтниками. Незнання !х поточних потреб, невмшня знайти персона-лiзований пiдхiд до вирiшення !х проблем призводить до того, що клГенти йдуть до бГльш гнучкого i лояльного конкурента.
У сферi роботи iз приватними клiентами можливiсть побудови персоналiзованих вiдносин теж стае ключовою конкурентною перевагою, частиною психологи ведення електронного бiзнесу [18]. Споживач iз бiльшим задо-воленням вiднесе сво! грошовi ресурси в банк, де в нього працюе знайомий банивський працГвник, або купить авто-мобГль там, де в нього встановився контакт iз менеджером з продажу, яю б пояснили йому чесно i вiдверто переваги та недолши кожного з випадкiв купiвлi i запропонували оптимальнi цiновi умови. Насамперед це стосуеться дорогих покупок (транспорт, нерухомкть, меблГ вiдпочинок тощо), однак фактор персоналiзованих взаемовiдносин
з Рентами, поступово перемiщаеться у сферу бкьш ма-сових покупок (зв'язок, розваги, служба побуту). Виходячи з методики взаемин «споживач-постачальник», все вище згадане також актуально i для ринку електронно! торпвлГ Водночас через високу динамку ринку i значне збГльшення кiлькостi суб,ектiв взаемодГ!, окрГм основних каналiв взаемодГ! постачальникГв г споживачiв електронно! торгГв-лГ виникае необхГднГсть наявностГ каналу оперативного зворотного зв'язку. Зворотний зв'язок, оргашзовуеться за допомогою впровадження штелектуально! шформацш-но! системи пГдтримки прийняття ршень, що складаеться Гз блоку штелектуального аналГзу даних Г вГдповГдних ш-струментальних засобГв БИМ8. 1х впровадження дозволяе споживачевГ максимально впливати на пропозицГ! ринку, а постачальниковГ пропонувати в автоматичному режимГ найбГльш рацюнальш Г клГентоорГентованГ пропозицГ! то-варГв Г послуг, що враховують не ильки загальну динамГку споживання товарГв Г послуг на ринку електронно! торгГвлГ але й динамГку споживання послуг окремими юиентами та клГентськими групами (кластерами) для об'ективного ви-явлення клГентських вподобань, що виникають на ринку.
ТиповГ компанГ!, що працюють на ринку електронно! торпвлГ в мехашзмах свого функцГонування мктять вели-ку кГлькГсть рГзних бГзнес-процесГв, Г для близько 70 % з них потрГбна наявнГсть оперативних ршень. Наприклад, у таких процесах, як процедури купГвлГ / продажу або оформ-лення послуги [19]. До таких оперативних ршень можуть також вГдноситися питання: «чи рацюнальна ця послуга для ще! групи споживачГв», «чи рацГональний набГр послуг для клГента з погляду його платоспроможностГ профГлю його внутршнього споживання, розмГру пГдприемства» тощо. У сукупностГ цГ бГзнес-рГшення являють собою важ-ливий фактор успГху компанГ! - реалГзацГя корпоративно! полГтики, забезпечення маневреностГ оперативно! реакцГ! на змши в бГзнесГ порГвняно з конкурентами Г партнерами на ринку електронно! торгГвль До того ж ринок електронно! торпвлГ е динамГчним Г регулярно поповнюеться но-вими товарами Г послугами: послуги для фГзичних осГб, для малого бГзнесу, партнерськГ програми для корпоративних клГентГв, У1Р-клГентГв Г Гнших юридичних осГб, що мГстять велику кГлькГсть умов Г пропозицш у рамках кожно! кате-горГ!. Виникае закономГрна проблема вибору конкретного товару Г послуги для конкретного профГлю клГента на ринку електронно! торпвлГ [20; 21].
Таким чином, полГтика середньостатистичного пакета послуг для безлико! маси клГентГв стае неефективною для тдтримання або, тим бГльше, максимГзацГ! доходу з одного споживача (при мшГмГзацГ! витрат). ВГддГлу менеджменту послуг пГдприемства доводиться стикатися з нови-ми умовами функцГонування, конкуренщею у боротьбГ за прихильшсть споживача [20; 22]. Варткть доставки товарГв постГйно змГнюеться, зростае попит на новГ ГнновацГйнГ послуги, мшяються склад Г умови надання послуг в електроннш торпвлГ КрГм пошуку затребуваних товарГв Г бГльш ра-цГональних послуг для групи клГентГв (з погляду споживача Г постачальника послуг), усГ змши необхГдно вносити в по-ложення, шструкцГ!, бГзнес-процеси, а потГм Г в шформа-цГйнГ системи. Тому для тдприемств електронно! торгГвлГ проблема формування клГентських профшв з вГдповГдни-ми наборами споживчих вподобань за своею актуальшстю
виходить на перше мкце, i вони починають переглядати сво'1 стратеги у галузi iнформацiйних систем i технологiй, шукати новi пiдходи для швидкого реагування на зовнiшнi та внутрiшнi змши, з використанням адаптивних матема-тичних моделей i сучасних iнформацiйних технологш.
Щоб успiшно конкурувати з шшими тдприемства-ми електронно'1 торгiвлi, важливо знати сво'1х споживачiв i мати повне уявлення про бажання та потреби поточних i потенцшних кментав, вивчати й аналiзувати ринок това-рiв i послуг [23; 24]. Для реалiзащí тако'1 стратеги необх^но роздкити сукупнiсть клieнтiв на кластери, кожний з яких буде вкпов^ати ункальному для його кластера клент-ському профiлю споживання. Виникае необхкшсть у ви-вченнi i розумшш потреб наявних кластерiв клiентiв з '1х-нiм наступним аналiзом i створенням принципово ново'1 стратегй утримання та залучення нових клiентiв. Процес розподку клiентiв на однорiднi групи на основi узагальне-них для кожного кластера атрибута (звички, смаки, динамка споживання товарiв i послуг) повинен стати частиною стратегй i методики просування товарш i послуг тдприем-ства на ринку електронно'1 торгшль
Термiн «кластеризацiя ^ентш» означае процес подь лу ^ентш на однорiднi групи на основi загальних атрибутов (звички, смаки, динамка споживання тощо) [25]. «Осо-бистий профкь клiента» описуе кмента за його особисти-ми атрибутами, такими як вк, стать, дохк i спосiб життя. «Профкь споживання ^ента» - часткове або вксоткове споживання ним товарiв i послуг усередиш клiентського кластера також може вимiрюватися в абсолютних величинах. Маючи цi два профiлi, маркетологи можуть приймати ршення стосовно маркетингових дш за кожним кластером ^ентш, а потiм розподiляти ресурси мiж кластерами з метою реалiзацil конкретних бiзнес-процесiв. Для зна-ходження балансу мiж постачальником i споживачем товаров i послуг, задоволенням потреб ^ентш, автоматиза-цiею добору клiентовi набору товарiв i послуг залежно вк динамiки споживання i соцiально-демографiчних характеристик було розроблено шформацшно-лопчну модель (рис. 1) реалiзацil процесу визначення клiентських впо-добань у рамках реалiзацil бiзнес-процесу тдбору ращо-нального набору товарiв i послуг у контекстi клiентських характеристик.
Постачальник TOBapiB i послуг
Диpекцiя
> г
Вщдт pозвитку
бiзнесу
Вiддiл фоpмувaння
тсшр^ i послуг
Фaхiвцi
з щентифтацп
нaбоpiв товapiв
i послуг
Ha6ip TOBapiB i послуг1
Ha6ip TOBapiB i послуг 2
Ha6ip TOBapiB i послуг п
Корещя нaбоpiв товapiв i послуг
Апроба^я нaбоpiв товapiв i послуг
Група споживaчiв
Група споживaчiв
Група споживaчiв
lнфоpмaцiйнa система на основi 1АД
Ринки електронно!' тоpгiвлi
Група споживaчiв
Група споживaчiв
Група споживaчiв
Споживaчi ринку електронно!' тоpгiвлi
Нaбip товapiв i послуг 1
Кластер 1
Нaбip товapiв i послуг 2
Кластер 2
Нaбip товapiв i послуг п
Кластер п
Модуль збирання шформацп про споживaчiв
—► БД —> 1АД —► BRMS
t 1
Дан про особистий та споживчий пpофiлi клieнтiв
Рис. 1. 1нформацшно-лопчна модель реал1зацй' процесу визначення кл1ентських вподобань в рамках взасмодп постачальника i покупця з використанням кластерного розподшу i класифтацм на основ! особистого та споживчого проф1лю шснта
Постачальник товарiв i послуг в електроннш торгiвлi розробляе спецiальнi набори послуг, засноваш на профiлi споживання елеменпв клiентських кластерiв i '1х центрiв. Кожному елементу кластера споживачiв ринку електронно'1 торгiвлi визначаеться один зi спецiально створених наборш послуг п (сформований iз шаблонов). Якщо змь нюеться профiль споживання елемента кластера - змь нюеться набiр послуг, що визначае двостороннш зв'язок
iнформацiйних потоив у cxeMi, реалiзованiй за допомогою впровадження штелектуально'1 iнформацiйноï системи тд-тримки прийняття ршень.
В моделi розглядаеться питання кластеризацИ ^ен-тш без використання знань експертш i без попередньо'1 кла-сифiкацiï. Кластеризацiя здiйснюеться на основi даних про споживання товарiв i послуг за дослiджуваний перюд часу (мiсяць) i додатково'1 шформацп про споживачш на основi
випадково! B^ipra для 1000 клieнтiв з 5000 ^ентш досль джувано! загально! сукупност споживачiв. Для досягнен-ня ще1 мети розроблено методику виявлення ^ентських вподобань, в основi яко! лежить комплексне використання механiзмiв iнтелектуального анамзу даних [26].
Найважливiшим фактором у процеа штелектуаль-ного аналiзу даних е pозумiння даних та 1х взаемозв'язив. Для отримання адекватного i якiсно правильного опису клiента виршальне значення мае вибip змiнних (характеристик) [26]. Для визначення характеристик необхкно ви-брати найменший набip змiнних, що повноцiнно описують поведшку покупця. Допомогти в пpоцесi визначення характеристик можуть таи ключовi слова:
1. Як? Як ^ент сприяе створенню pеестpацiйного запису даних про купшлю товару? Вiн робить голосове за-мовлення по телефону, здшснюе замовлення засобами сайту штернет-магазину або використовуе для цього е-mail?
2. Кому? Кому робить замовлення ^ент? Пеpелiк потенцiйно щкавих для покупця iнтеpнет-магазинiв;
3. Який? Який тип товару (види товарш) щкавий для покупця?
4. Де? Де перебувають ииент i iнтеpнет-магазин? Чи може вш робити мiжнаpоднi замовлення товарш i послуг?
5. Коли? Коли ииент робить замовлення? Киент може робити виклики в денний робочий час або в неробо-чий час увечерГ вночi чи у вихкш днi;
6. Куди? Куди ииент замовляе доставку? Вш може за-мовляти доставку в шшу кра1ну?
7. Як довго? Сильки часу тривае замовлення?
8. Як часто? Як часто ^ент робить i пiдтвеpджуе за-мовлення?
Використовуючи цi ключовi слова та критерп, по-будуемо список характеристик, як можуть застосову-ватися як короткий опису ииента по споживанню ним послуг штернет-магазину (у выносному та абсолютному значенш).
Механiзми замовлення:
1. Замовлення в своему (домашньому) регюш (серед-ня кiлькiсть замовлень в одиницю часу);
2. Замовлення через сайт штернет-магазину (середня ккьисть замовлень в одиницю часу);
3. Замовлення через стацюнарш телефони (середня ильисть замовлень в одиницю часу);
4. Замовлення через мобкьш телефони (середня ильисть замовлень в одиницю часу);
5. Замовлення через e-mail (середня ильисть замов-лень в одиницю часу);
6. Замовлення в шших регюнах Укра!ни (середня ильисть замовлень в одиницю часу);
7. Мгжнародш замовлення (середня ккьисть замов-лень в одиницю часу).
Послуги, що приносять прибуток:
8. Обсяги замовлень (загальна сума в одиницю часу);
9. Обсяги замовлень по каналах замовлень (загальна сума для кожного окремого каналу в одиницю часу);
10. Обсяги замовлень за типом доставки (загальна сума для кожного окремого типу в одиницю часу);
11. Обсяги замовлень за мюцем доставки (загальна сума для кожного окремого типу мюця доставки в одини-цю часу);
12. Обсяги замовлень за видом TOBapiB (загальна сума для кожного окремого виду товару в одиницю часу);
13. Обсяги замовлень по конкретних штернет-магазинах (загальна сума для кожного окремого штернет-магазину);
14. Обсяги замовлень по виду оплати (загальна сума для кожного окремого виду оплати);
15. Тривалкть замовлення (середня тривалють одного замовлення в одиницях часу за визначений перюд);
16. Ккьисть замовлень (середня ккьисть в одини-цю часу);
17. Замовлення в робочi дш тижня (вимiрюються у вксотках);
18. Замовлення в денний час, з 9:00 - 18:00 год (ви-мiрюються у вксотках);
19. Завершен покупки (вимiрюються у вксотках);
20. Спшвкношення мiж завершеними i незаверше-ними покупками (вимiрюються у вксотках);
21. Сшввкношення мiж замовленнями в денний - не денний час та в робочi - неробочi дш тижня (вимiрюються у вксотках);
22. Сшввкношення мiж покупками (завершеними замовленнями) у денний - не у денний час та в робочi - не-робочi дш тижня (вимiрюються у вксотках).
Бкьшють iз 22 перерахованих вище характеристик можуть генеруватися безпосередньо за допомогою ви-хкних даних, отриманих зi сховища даних конкретного штернет-магазину, але для деяких характеристик потрiбен творчий шдхк i виконання певних дш з даними. Напри-клад, ^енти, яи користуються телефоном ткьки на ро-бочому мiсцi, i ииенти, якi також використовують телефон в особистих цкях, можуть перебувати в рiзних кластерах. У цьому випадку кластеризащя Грунтуеться на вiдсоткових значеннях викликш у робочi днi тижня i в денний час.
Ясно, що генерування корисних характеристик, у тому чи^ зведеш характеристики, е важливим фактором у процеа штелектуального анамзу даних. Якщо гене-руються неправильнi характеристики, то штелектуальний аналiз даних закiнчиться невдачею.
Незважаючи на те, що для вибору характеристик по-трiбно керуватися лопчно правильними висновками, необ-хiдно також використовувати дослiдницький аналiз даних. Наприклад, використання в дослкженнях перiоду часу з 9:00 до 18:00 год не Грунтуеться на загальновкомих зна-ннях того, що звичайний робочий день в офiсi тривае з 9:00 до 17:00 год. Бкьш детальний аналiз статистичних даних штернет-магазинш [27-29], як показано на рис. 2, свкчить про те, що перюд з 9 години ранку до 18 години вечора е найбкьш прийнятним.
^м того, для кожно'1 зведено'1 характеристики повинна бути наявна дисперая даних, в шшому випадку вкмш-нiсть мiж клiентами буде вiдсутньою, i функщя виявиться непотрiбною. З iншого боку, занадто велика дисперая зна-чно ускладнюе процес кластеризацп. На наведених псто-грамах (рис. 2-6) можна побачити дисперсш для дослi-джуваних характеристик.
На рис. 3-6 показано, що середня тривамсть замовлення, ккьисть замовлень у робочi дш та в денний час, а також середня ккьисть замовлень за визначений перюд часу характеризуются достатньою дисперйею.
Середня вщносна кiлькiсть замовлень 0,8 -1
0,7 -
0,6 -
0,5 -
0,4 -
0,3 -
0,2 -
0,1 -
0,64
0,715 °,725 0 69 „ ,„°,685 0,665 °,68
0,65
0,48
0,17
0,07 0,06
Щ Щ 0,020д^8
0,675
0,07
0,32
0,26
0,22
0,18
0,105
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Година доби
Рис. 2. Середня вщносна кшьккть замовлень клкнпв в штернет-магазинах протягом доби [27]
Вщсоток Ш£НПВ, % 30 т
25 -■
20 -■
15 -■
10 5
26,9
20,4
7,3
-■ 4,2
17,4
11,5
4,9
2,8
1,9
1,6
0,8
6
8
10 12 14 16 18 20 22 24
Середня тривалiсть виклику, хв.
Рис. 3. Середня тривалкть замовлень клкнпв в штернет-магазинах [28]
Смд зазначити, що поведшка даних на пстограмах нагадуе вiдомi розподки (негативно i позитивно асиме-тричнi). Це означае, що згадаш вище характеристики мо-жуть бути використанi для кластеризацп клiентiв. Варто також звернути увагу на спiввiдношення мiж числом зро-блених замовлень i завершених покупок.
Як правило, юиенти роблять значно бкьше замовлень, нiж реальних покупок. Це демонструе рис. 7, на яко-му таким юиентам вiдповiдають значення, що розташованi вище дiагональноl синьо'1 лшп. З рис. 7 видно, що кленти,
яи здiйснюють бкьше покупок, також пропорцшно роблять бiльше замовлень.
Ще один аспект полягае в тому, що ^енти, якi роблять бкьше замовлень у робочi дш тижня, роблять бкь-шiсть замовлень у денний час. Такий висновок слкуе з даних, наведених на рис. 8.
З наведених рис. 2-8 добре видно, що обрат характеристики мають достатню дисперсш, i вже помин певш спiввiдношення та вiдмiнностi в поведшщ клiентiв. Обранi характеристики не е випадковими, вони ретельно п^бра-
0
0
4
Высоток кл1ент1в, % 50 -i 45 -40 -35 -30 -25 -20 -15 -10 -5 -0
1,0
0,35
0,3
0,25
1,0 2,0
4,0
16,0
32,0
46,5
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100
Вщсоток замовлень в робоч1 дш, %
Рис. 4. Замовлення mîêhtîb у дш робочого тижня [29]
Высоток KnieHTÎB, % 30 -i
25 -
20 -
15 -
10 -
5 -
27,2
25,5
17,0
7,0
2,0
0,5
1,0
2,0
12,1
8,3
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100
Высоток замовлень в денний час, %
Рис. 5. Розподш замовлень mîêhtîb у денний час [27]
m та е шформацшною базою для процедур кластеризацп юиенпв.
Профш юиенпв е базовою основою для встановлен-ня ефективно'1 взаемодп з кнуючими Рентами з метою збереження юиентш, надання 1м бкьш яисних послуг i за-лучення нових ^ентш.
Створення профшв клiентiв здiйснюеться шляхом синтезу зiбраноï iнформацiï про клiентiв, зокрема, демо-графiчнi та персональнi данi. Вибудоваш профiлi клiентiв також можуть застосовуватися для пошуку нових клiентiв з використанням характерних механiзмiв взаемоди типо-вих для цього профкю юиенпв, наприклад, на основi де-мографiчних даних, отриманих з рiзних джерел. Щ данi
використовуються для встановлення зв язку iз кластерами ^ентш, якi формуються на початковому етат. Це дозво-ляе формувати для кожного профкю клiента (що являе собою притаманну ткьки цьому профкю комбшащю де-мографiчних i персональних даних) вiдповiднi кластери (данi про споживання послуг електронно'1 торгiвлi) i на-впаки. Для кожного профкю може бути виконана оцiнка поведшки при використаннi клiентами засоб1в i мехашзмш електронно'1 торгiвлi пiд час здшснення замовлення i куп1в-лi товару. Залежно вiд конкретно'1 мети необхкно вибирати профш, що мають безпосередне вкношення до проекту. Звичайний профкь юиента являе собою файл, що мктить, принаймнi, iнформацiю про вш i стать.
0
Вщсоток клкнпв, % 25 ^ 23,5
20 -■
15 -■
10 -■
5 -■
16,0
14,0
11,5
75
5,8
4,4
3,1
2,2
1,4 0,9
0,3
3,9
8 9 10 11 12 >12 Середня шьгасть замовлень на мкяць, од.
Рис. 6. Розподш середньоТ кiлькостi замовлень клкнпв за мiсяць [27]
0
2
3
4
5
6
7
Середня шьгасть замовлень, од.
40
35
30
25
20
15
10
5 0
0
5
10
15
20 25 30
Середня шьгасть завершених покупок, о
Рис. 7. Сшввщношення мiж кiлькiстю зроблених замовлень клкнпв i завершених покупок [27-29]
Якщо потрiбнi профiлi ^ентш по конкретних товарах i послугах, то файл буде мютити iнформацiю про товар (послугу) ^або суму витрачених коштiв. Характеристики кл1ентш, якi можуть використовуватися для створення профшв, розглянутi в роботах [30; 31]:
1. Географiчнi вiдомостi. Чи згруповаш клiенти на регiональному, нащональному або глобальному рiвнях?
2. Культурш й етнiчнi характеристики. Якою мовою розмовляють клiенти? Чи мае мкце етнiчний вплив на вподобання ^ентш або '1х поведiнку при здшсненш купiвлi товарш?
3. Економiчнi умови, дохiд i/або купiвельна спромож-
шсть. Який середнiй дохiд або кутвельна спро-можнiсть клiентiв? Чи е в них яи-небудь трудно-
Высоток замовлень в денний час, % 100
90 80 70 60 50 40 30 20 10
О
о
о
о о
о
о
о
°о о
8
' <9 о
о
о
о
о
о
о
о
о
о
Оэ о8 -
о® ^qos
и о
о
° Ш
о о о о^о"
О ол°0 0 <§>о
0
10
20
30
40
50
60 70 80 90 100 Вщсоток замовлень в робоч1 дн1 тижня, % Рис. 8. Сшввщношення мiж ктькктю зроблених замовлень у денний час i в робочi днi тижня [27]
щГ пов,язанi з оплатою? Яку ккьисть кошпв i як часто ^ент витрачае на кожний продукт?
4. Вш i стать. Яка вжова група е переважною серед ва-
ших цкьових кментав? Скiльки в сш^ дiтей i яко-го вони вiку? Серед ^ентш, якi використовують певний продукт або послугу, переважають жшки або чоловжи?
5. Цiнностi, погляди i переконання. Яке вкношення клiентiв до вашого товару або послуги?
6. Життевий цикл. Насккьки регулярно кмент купуе у
вас продукцiю i користуеться вашими послугами?
7. Знання i розумшня. Якi знання е в кментш щодо товарш, послуг або галузi? Який потрiбен ршень освiти? Яка необхiдна реклама бренда, для того щоб кленти були шформоваш про пропозицп на ринку електронно'1 торгiвлi?
8. Спосiб життя. Сильки е корисних характеристик, що стосуються способу життя покупцш?
9. Метод залучення клiента. Як здшснювалося залу-чення клiента?
Вибiр характеристики залежить також вк наявностi даних про ^ентш. За допомогою цих характеристик може бути створено модель оцшки клента (профкь клiента). З щею метою використовувався метод штелектуального аналiзу даних, що називаеться методом опорних векторiв (SVM) [32].
На рис. 9 наведено розроблену структуру ^ентш тдприемства електронно'1 торгiвлi. ^енти компанп можуть бути подкеш на корпоративних i приватних. Свею чергою, подкимо клiентiв на два основних профш: про-гресивний i консервативний.
Прогресивний профкь споживання характеризуемся високим споживанням товарiв i послуг на ринку
електронно'1 торгiвлi. Консервативний профiль споживання характеризуеться помiрним i низьким споживанням товарш i послуг на ринку електронно'1 торгшль Також, о^м профiлiв, необхiдно видiлити «золоту середину» -користувачiв, що споживають помiрну кiлькiсть товарш i послуг на ринку електронно'1 торгiвлi. Крiм цього, вкпо-вiдно до профiлiв ^ентш роздiляються i ïхнi витрати на товари i послуги (до 200 грн на мюяць, промiжнi значення вк 500 до 2500 грн на мкяць, i бкьше 2500 грн на мкяць). Зазначимо, що чисельш значення витрат можна вважати умовними, оскiльки з часом вони можуть суттево змшю-ватися.
Корпоративнi кменти дiляться на чотири групи за-лежно вiд розмiру компанп та илькосп спiвробiтникiв: ма-лий, середнш, великий бiзнес i корпорацп.
Найчастше, якщо йдеться про особистi, конфкен-цiйнi данi, вони бувають недоступш в повному обсязi. 1н-формащя про спосiб життя та доходи ^ентш вiдсутня.
Проте, використовуючи творчий шдхк, можна вк-найти деяку шформащю в БД пiдприемства електронно'1 торгiвлi. Iнформацiя, яка знаходиться в БД, мютить у собi iм,я та адресу, а також iншi вiдомостi. Наприклад, план об-слуговування, iнформацiю про контракт i телефонний номер. Володшчи цими даними, можна використовувати такi показники для створення профшв кментав:
1. Вшова група: «< 25, 25-40, 40-55, > 55 роив»;
2. Стать: чоловiча, жшоча;
3. Тип телефону: мобкьний, стацiонарний;
4. Тип приватного кмента: консервативний, помiр-ний, прогресивний;
5. Розмiр корпоративного клiента: малий, середнiй, великий, корпоращя (данi про фiзичну особу -контактера);
Клкнти e-trade пщпри£мства
Рис. 9. Структура клкнпв шдпри£мства електронноТ торгiвлi
6. Мкце проживання: велике мiсто, невелике мкто.
Оскiльки вiдносно невелика рiзниця у вщ клieнтiв може означати схожу поведшку споживача, клieнти по-винш групуватися за вiком. В шшому випадку результат алгоритму класифiкацГ¿ е занадто специфiчним для форму-вання бази знань [33]. Основна цкь групування показни-кiв полягае у зменшенш !х числа до керовано! кiлькостi та усуненнi кореляци мiж показниками. Склад груп повинен вибиратися з особливою ретельшстю.
Надзвичайно важливо, щоб розмiри груп, якщо можна, були практично рiвними [34]. Якщо будуть групи, кiлькiсть клiентiв у якш перевищуе число клiентiв в шших
групах, це приведе до зниження ефективност класифша-Ц11. Цей факт пов'язаний з тим, що в цiй групi презентовано в^носно бiльша кiлькiсть клiентiв з кожного кластера. Тому на основi ще! характеристики визначити кластер кль ента буде неможливо. У табл. 1. наводяться результати ана-лiзу дослiджуваних клiентiв (вся дослiджувана сукупшсть, у вiдсотках) в обранiй вжовш групi вiдповiдно до обраних показниив.
З табл. 1 добре видно, що розмiри груп обгрунтовано п^браш, а отриманi значення можуть використовуватися для створення профшв клiентiв. В результат кластери-зацп, на основi отриманих особистих даних клiентiв, для
Таблиця 1
Вiдсотковi спiввiдношення рiзних класифiкацiйних груп [27; 29]
В1кова група < 25 26,22 % 25-40 34,5 % 40-55 27,9 % > 55 11,4 %
Стать Чоловки 60,2 % Жшки 39,8 %
Тип телефону Мобтьний 73,4 % Стацюнарний 26,6 %
Тип приватного клкнта Консервативний 34,9 % Помнрний 36,0 % Прогресивний 29,1 %
Розмнр корпоративного клi£нта Малий 31,5 % Середнiй 34,4 % Великий 17,2 % Корпора^я 16,9 %
Miсце проживання Велике мнсто 42,0 % Невелике мкто 38,0 %
кожного кластера створений особистий профГль клГента. Для встановлення зв'язку мiж профiлями i кластерами за-стосовано метод опорних векторГв (SVM) [32]. На основi особисто'1 шформацп i профГлю споживання клГента вико-нуеться його оцшка, визначаеться його поведiнка, i здш-снюеться пiдбiр товарГв i послуг за допомогою встановле-них бiзнес-правил.
Висновки. Споживча поведiнка суб,ектiв сучасного ринку електронно'1 торгiвлi значною мiрою залежить вiд наявностi ефективно! стратеги довгострокових довiрчих вiдносин з кожним iз наявних i потенцiйних клГентГв, за-безпечення для них можливост одержання своечасно! шформацГ! про конкуренты переваги пропонованих про-дуктiв i послуг та своечасного ''хнього використання без за-йвих витрат i зусиль, як з боку клГентГв, так iз боку вiддiлу менеджменту послуг тдприемства електронно! торгiвлi.
Ринок електронно'! торггвлГ е динамiчним по свош сутi i регулярно поповнюеться новими видами взаемодГ! та розширеним спектром для кожно'1 категорГ! учасниив ринку. Виникае закономiрна проблема вибору конкретно'! послуги для конкретного клГента або клГентського кластера серед ринкового рiзноманiття. Наведена в робой iнформацiйно-логiчна модель визначення клiентських впо-добань дозволяе удосконалити бiзнес-процес вибору ращ-онального набору товарiв i послуг залежно вгд клiентських характеристик, сформувати актуальну систему ринкових вгдносин i забезпечити рацiональнiсть i своечасшсть над-ходження товарiв i послуг на ринок електронно'! торггвлГ, що забезпечить '1хню диверсифiкацiю та диференщащю. Продавцю в електроннiй торггвлГ необхГдно розробляти спецiальнi набори послуг, що Грунтуються на характеристиках споживчого профГлю всерединГ кластера i наборГ соцГально-демографГчних характеристик клГента. Кожному елементу кластера споживачГв ринку електронно'1 торпвлГ ставиться у вГдповГднГсть один зГ спецГально створених на-борГв товарГв i послуг Гз загального числа наборГв п. Якщо змГнюеться споживчий профГль i набГр особистГсних характеристик центру кластера або його елемента - вГдповГдно змГнюеться i набГр товарГв i послуг.
Л1ТЕРАТУРА
1. 1лляшенко С. М., 1ванова Т. £. Перспективи i основы проблеми розвитку lнтернет-торгiвлi в УкраМ Механ'ам регу-лювання eKOHOMiKU. 2014. № 3. С. 72-81.
2. Вгглшський В. В., Мельник Г. В., Скiцько В. I. Моделюван-ня збутовоТ електронноТ лопстичноТ пщсистеми з використан-ням нечто''' мережi Петрi. Б'анес 1нформ. 2014. № 8. С. 82-87.
3. Greenstein S. How the Internet Became Commercial: Innovation, Privatization, and the Birth of a New Network. Princeton University Press, 2015. 488 р.
4. Davis G. E-Commerce Handbook: Boosting Your Profits with eCommerce. CreateSpace Independent Publishing Platform, 2015. 40 p.
5. Harris L. Trading and Electronic Markets: What Investment Professionals Need to Know. CFA Institute Research Foundation, 2015. 92 p.
6. Ciaramitaro B. Virtual Worlds and E-Commerce: Technologies and Applications for Building Customer Relationships. Business Science Reference, 2010. 375 p.
7. Хейг M. Основы электронного бизнеса. М. : ФАИР-ПРЕСС, 2002. 208 с.
8. Graf A., Schneider H. The E-Commerce Book: About a Channel that became an Industry. Create Space Independent Publishing Platform, 2016. 460 p.
9. Дюбанов О. С., Рамазанов С. К. Mоделi поведшки суб'склв ринку електронноТ rop^i в сучасних умовах. Б'знес 1нформ. 2011. № 6. С. 104-105.
10. Laudon К. C., Traver C. G. E-Commerce 2017. Pearson, 2017. 912 p.
11. Schneider G. Electronic Commerce. Course Technology, 2016. 598 p.
12. Kumar M., Sareen M. Trust and Technology in B2B E-Commerce: Practices and Strategies for Assurance: Practices and Strategies for Assurance. IGI Global, 2011. 329 p.
13. Пурський О. I., Мороз I. О., Мазоха Д. П. Web-система управлшня взасмодкю суб'скпв електронноТ торпвлк Проблеми eKOHOMiKU. 2017. № 6. С. 208-219.
14. Bradford M. Modern ERP: Select, Implement, and Use Today's Advanced Business Systems. Lulu.com, 2015. 284 p.
15. Pursky O. I. Modeling the processes of e-trading market functioning. Verlag SWG imex GmbH, Nuremberg, Germany, 2017. 132 p.
16. Макдональд M. Планы маркетинга. M. : Технология, 2004. 656 с.
17. Количественные методы анализа в маркетинге / под ред. Т. П. Данько, И. И. Скоробогатых. СПб. : Питер, 2005. 384 с.
18. Ансофф И. Стратегическое управление. М. : Экономика, 2009. 850 с.
19. Воронцов Ю. А., Галиахметов А. Р., Груничев Ю. А. Аутсорсинг продаж услуг оператора мобильной связи. URL: http://www.iksmedia.ru/articles/53221-Autsorsing-texnicheskoj-ekspluataci.html
20. Данько Т. П. Управление маркетингом : учебник. М. : Инфра-М, 2001. 334 с.
21. Канеман Д. Карты ограниченной рациональности: психология для поведенческой экономики. Психологический журнал. 2006. Т. 27. № 2. С. 5-28.
23. Канеман Д., Тверски А. Рациональный выбор, ценности и фреймы. Психологический журнал. 2003. Т. 24. № 4. С. 31-42.
24. Дик в. в. Автоматизация экономического анализа на основе ситуационных описаний // Использование систем и методов обработки данных в экономических исследованиях. М. : МЭСИ, 1987. С. 89-93.
25. Дик В. В. Классификация, состав и функции экономических советующих систем // Советующие информационные системы в экономике. М. : ЮНИТИ, 2000. С. 39-93.
26. Rajagopal S. Customer data clustering using data mining technique. International Journal of Database Management Systems. 2011. Vol. 3. No. 4. P. 1-11.
27. Пурський О. I., Мороз I. О., Шестопал Д. А. 1нтелек-туальний аналiз даних як частина концепцп управлшня вза-смодкю з клкнтами в електроншй tc^^í // Математичш методи, моделi та шформацшы технологи в економр : мате-piали V Miжнаp. наук.-метод. конф. Черывц : Друк Арт, 2017. С. 126-127.
28. Официальный сайт компании «Розетка». URL: http:// www.rosetka.ua
29. Интернет-магазин МОБИЛЛАК - магазин бытовой техники. URL: https://www.mobilluck.com.ua
30. 27.UA - интернет-магазин партнер Эпицентр и Новая Линия. URL: https://27.ua
31. Ahola J., Rinta-Runsala E. Data mining case studies in customer profiling. Research report TTE1-2001-29. VTT Information Technology, 2001. 22 p.
31. Amat J. L. Using reporting and data mining techniques to improve knowledge of subscribers; applications to customer profiling and fraud management. J. Telecomm. Inform. Technol. 2002. No. 3. P. 1-5.
32. Пурський O. i., Харченко О. А., Мазоха Д. П. Застосу-вання методу опорних вектсрв для розтзнавання даних кластеризацп' споживачiв електронно''' торгiвлi // Мониторинг, моде-лювання та менеджмент емерджентно''' економти : зб. наук. пр. Сьомо''' Мiжнар. наук.-практ. конф. Черкаси : Видав. Вовчок О. Ю., 2018. С. 211-212.
33. Попов Э. В. Корпоративные системы управления знаниями. Новости искусственного интеллекта. 2001. № 1. C. 14-25.
34. Орлов А. И. Прикладная статистика. М. : Экзамен, 2004. 656 c.
REFERENCES
Ahola, J., and Rinta-Runsala, E. Data mining case studies in customer profiling. Research report TTE1-2001-29. VTT Information Technology, 2001.
Amat, J. L. "Using reporting and data mining techniques to improve knowledge of subscribers; applications to customer profiling and fraud management". J. Telecomm. Inform. Technol., no. 3 (2002): 1-5.
Ansoff, I. Strategicheskoye upravleniye [Strategic management]. Moscow: Ekonomika, 2009.
Bradford, M. Modern ERP: Select, Implement, and Use Today's Advanced Business Systems. Lulu.com, 2015.
Ciaramitaro, B. Virtual Worlds and E-Commerce: Technologies and Applications for Building Customer Relationships. Business Science Reference, 2010.
Danko, T. P. Upravleniye marketingom [Marketing management]. Moscow: Infra-M, 2001.
Davis, G. E-Commerce Handbook: Boosting Your Profits with eCommerce. CreateSpace Independent Publishing Platform, 2015.
Dik, V. V. "Avtomatizatsiya ekonomicheskogo analiza na os-nove situatsionnykh opisaniy" [Automation of economic analysis based on situational descriptions]. In Ispolzovaniye sistem i metodov obrabotki dannykh v ekonomicheskikh issledovaniyakh, 89-93. Moscow: MESI, 1987.
Dik, V. V. "Klassifikatsiya, sostav i funktsii ekonomicheskikh sovetuyushchikh sistem" [Classification, composition and functions of economic advisory systems]. In Sovetuyushchiye informat-sionnyye sistemy v ekonomike, 39-93. Moscow: YuNITI, 2000.
Dyubanov, O. S., and Ramazanov, S. K. "Modeli povedinky subiektiv rynku elektronnoi torhivli v suchasnykh umovakh" [Models of behavior of subjects of the e-commerce market in modern conditions]. Biznes Inform, no. 6 (2011): 104-105.
Graf, A., and Schneider, H. The E-Commerce Book: About a Channel that became an Industry. Create Space Independent Publishing Platform, 2016.
Greenstein, S. How the Internet Became Commercial: Innovation, Privatization, and the Birth of a New Network. Princeton University Press, 2015.
Harris, L. Trading and Electronic Markets: What Investment Professionals Need to Know. CFA Institute Research Foundation, 2015.
Illiashenko, S. M., and Ivanova, T. Ye. "Perspektyvy i osnovni problemy rozvytku Internet-torhivli v Ukraini" [Prospects and main problems of development of Internet commerce in Ukraine]. Me-khanizm rehuliuvannia ekonomiky, no. 3 (2014): 72-81.
Internet-magazin MOBILLAK - magazin bytovoy tekhniki. https://www.mobilluck.com.ua
Kaneman, D. "Karty ogranichennoy ratsionalnosti: psik-hologiya dlya povedencheskoy ekonomiki" [Bounded rationality maps: psychology for behavioral economics]. Psikhologicheskiy zhurnal, vol. 27, no. 2 (2006): 5-28.
Kaneman, D., and Tverski, A. "Ratsionalnyy vybor, tsennosti i freymy" [Rational choice, values and frames]. Psikhologicheskiy zhurnal, vol. 24, no. 4 (2003): 31-42.
Kheyg, M. Osnovy elektronnogo biznesa [Basics of electronic business]. Moscow: FAIR-PRESS, 2002.
Kolichestvennyye metody analiza v marketinge [Quantitative methods of analysis in marketing]. St. Petersburg: Piter, 2005.
Kumar, M., and Sareen, M. Trust and Technology in B2B E-Commerce: Practices and Strategies for Assurance: Practices and Strategies for Assurance. IGI Global, 2011.
Laudon, K. C., and Traver, C. G. E-Commerce 2017. Pearson,
2017.
Makdonald, M. Plany marketinga [Marketing plans]. Moscow: Tekhnologiya, 2004.
Ofitsialnyy sayt kompanii «Rozetka». http://www.rosetka.ua
Orlov, A. I. Prikladnayastatistika [Application statistics]. Moscow: Ekzamen, 2004.
Popov, E. V. "Korporativnyye sistemy upravleniya znaniyami" [Corporate knowledge management systems]. Novosti iskusstven-nogo intellekta, no. 1 (2001): 14-25.
Pursky, O. I. Modeling the processes of e-trading market functioning. Nuremberg, Germany: Verlag SWG imex GmbH, 2017.
Purskyi, O. I., Kharchenko, O. A., and Mazokha, D. P. "Zasto-suvannia metodu opornykh vektoriv dlia rozpiznavannia danykh klasteryzatsii spozhyvachiv elektronnoi torhivli" [Application of the reference vector method for the recognition of e-commerce consumer clustering data]. Monitorynh, modeliuvannia ta mened-zhment emerdzhentnoi ekonomiky. Cherkasy: Vydav. Vovchok O. Yu., 2018. 211-212.
Purskyi, O. I., Moroz, I. O., and Mazokha, D. P. "Web-systema upravlinnia vzaiemodiieiu subiektiv elektronnoi torhivli" [Websystem of interaction management of e-commerce subjects]. Problemy ekonomiky, no. 6 (2017): 208-219.
Purskyi, O. I., Moroz, I. O., and Shestopal, D. A. "Intelektual-nyi analiz danykh yak chastyna kontseptsii upravlinnia vzaiemodi-ieiu z kliientamy v elektronnii torhivli" [Intellectual data analysis as part of the concept of managing customer interaction in e-commerce]. Matematychni metody, modeli ta informatsiini tekhnolohii v ekonomitsi. Chernivtsi: Druk Art, 2017. 126-127.
Rajagopal, S. "Customer data clustering using data mining technique". International Journal of Database Management Systems, vol. 3, no. 4 (2011): 1-11.
Schneider, G. Electronic Commerce. Course Technology,
2016.
27.UA - internet-magazin partner Epitsentr i Novaya Liniya. https://27.ua
Vitlinskyi, V. V., Melnyk, H. V., and Skitsko, V. I. "Modeliuvannia zbutovoi elektronnoi lohistychnoi pidsystemy z vykorystanniam nechitkoi merezhi Petri" [Simulation of the electronic logistics subsystem with the use of a fuzzy Petri network]. Biznes Inform, no. 8 (2014): 82-87.
Vorontsov, Yu. A., Galiakhmetov, A. R., and Grunichev, Yu. A. "Autsorsing prodazh uslug operatora mobilnoy svyazi" [Outsourcing sales services of a mobile operator]. http://www.iksmedia.ru/ articles/53221-Autsorsing-texnicheskoj-ekspluataci.html
