области) / М. А. Иркин, Т. Н. Черепкова // Вектор науки Тольяттинского государственного университета. Серия: Экономика и управление. 2020. № 4(43). С. 5-10.
8. Каранина Е.В., Селезнева Е.Ю. Методы анализа и диагностики рисков социально-экономической безопасности региона с учетом факторов развития потребительского рынка // Проблемы анализа риска. Т. 17. 2020. N° 2. С. 10-21.
9. Кораблева, А. А. Оценка экономической безопасности региона, анализ методики и результатов / А. А. Кораблева, К. К. Логинов // Актуальные тренды в экономике и финансах: Материалы всероссийской научно-практической конференции, Омск, 07 декабря 2023 года. - Омск: Финансовый университет при Правительстве РФ, 2023. С. 30-34.
10. Кораблева А. А., Яковина М. Ю., Курнышова А. Ю., Бойко Н. А. (2021). Управление и обеспечение экономической безопасности региона: понятийный аспект // Наука о человеке: гуманитарные исследования. Т. 15. № 2. С. 186-195.
11. Кораблева А. А., Бреусова А. Г. Ключевые аспекты развития экономической безопасности в практике регионального управления (часть 2) // Вестник Омского университета. Серия «Экономика». 2023. Т. 21, № 3. С. 107-117.
12. Логинов, К. К. Экономическая безопасность регионов Сибирского федерального округа / К. К. Логинов, А. А. Кораблева, В. В. Карпов // Наука о человеке: гуманитарные исследования. 2018. № 1(31). С. 141-150.
13. Междисциплинарное осмысление феномена экономической безопасности / А. В. Бабкин, В. В. Балахонский, И. В. Бородушко [и др.] ; Под редакцией А.Н. Литвиненко; Санкт-Петербургский университет МВД России. - Санкт-Петербург: Санкт-Петербургский университет Министерства внутренних дел Российской Федерации, 2015. 240 с.
14. Макарова Т.В. Совершенствование механизма развития экономической безопасности региона на основе ресурсного потенциала. / Автореферат дис.,.. канд.экон. наук: 08.00.05. - Киров, 2019. 25 с.
15. Матвеева Е.Е. Механизм обеспечения экономической безопасности региона. Вестник Московского университета МВД России. 2018;(6):282-288.
16. Митяков С. Н. Типология мониторинга экономической безопасности / С. Н. Митяков,О. И. Митякова // Инновации и инвести-ции.2023. № 7. 384-387 с.
17. Назаров А. Д. Data Science и обеспечение экономической безопасности в эпоху цифровой экономики /А. Д. Назаров, В. А. Плотников //Известия Санкт-Петербургского государственного экономического университета. 2023.
18. Носкин С.А. Механизмы обеспечения экономической безопасности региона в условиях цифровых преобразований. / Автореферат дис.,.. канд. экон. наук:08.00.05. - Санкт-Петербург, 2022. - 23 c.
19. Плотников, А. В. Сравнение содержания стейкхолдерских подходов в управлении / А. В. Плотников // Экономика, предпринимательство и право. 2021. Т. 11, № 12. С. 2695-2704.
20. Плотников Н. В. Влияние процессов цифровизации на инструменты мониторинга угроз экономической безопасности // Экономика и управление: проблемы, решения. 2024.№ 1. Т. 4. С. 4-12.
21. Пролубников, А. В. Развитие государственно-частного партнерства: экосистемный подход / А. В. Пролубников // Известия Санкт-Петербургского государственного экономического университета. 2020. № 4(124). С. 63-68.
22. Савельева, Н. К. Цифровизация современных компаний: возможности реализации и риски / Н. К. Савельева, М. В. Макарова // Креативная экономика. 2021. Т. 15, № 10. С. 3755-3768.
23. Сильвестров С.Н., Старовойтов В.Г., Ларионов А.В. Развитие системы мониторинга реализации стратегии экономической безопасности в Российской Федерации // Национальные интересы: приоритеты и безопасность. 2020. Т. 16, № 12. С. 2202 - 2217.
24. Толочко А.В. Развитие механизмов обеспечения экономической безопасности региона. / Автореферат дис.,.. канд. экон. наук: 08.00.05. - Томск, 2020. - 25 c.
25. Феофилова, Т. Ю. Модель управления экономической безопасностью региона / Т. Ю. Феофилова // Интернет-журнал Науковедение. 2014. № 6(25). С. 123.
26. Фесик, С. В. Мониторинг экономической безопасности государственных региональных программ с привлечением государственно-частного партнерства / С. В. Фесик // Инновационное развитие экономики. 2018. № 6-1(48). С. 231-236.
EDN: LLQYDB
В.В. Драгуленко - к.т.н., доцент кафедры «Тракторы, автомобили и техническая механика», Кубанский государственный аграрный университет, Краснодар, Россия,
V.V. Dragulenko - Candidate of Technical Sciences, Associate Professor of the Department of Tractors, Automobiles and Technical Mechanics, Kuban State Agrarian University, Krasnodar, Russia;
Е.В. Потехина - д.э.н., профессор кафедры информационных технологий, искусственного интеллекта и общественно-социальных технологий цифрового общества факультета политических и социальных технологий, Российский государственный социальный университет, Москва, Россия,
E. V. Potekhina - doctor of economics, Professor of the Department of Information Technology, Artificial Intelligence and Socio-Social Technologies of the Digital Society of the Faculty of Political and Social Technologies Russian State Social University, Moscow, Russia;
А.Л. Золкин - к.т.н., доцент, доцент кафедры «Информатика и вычислительная техника», Поволжский государственный университет телекоммуникаций и информатики (ПГУТИ), Самара, Россия,
A.L. Zolkin - Candidate of Technical Sciences, Associate Professor of the Department of Computer Science and Computer Engineering, Povolzhskiy State University of Telecommunications and Informatics (PGUTY), Samara, Russia;
Т.Г. Гарбузова - к.с.-х.н., доцент кафедры экономики, учета и анализа хозяйственной деятельности «Санкт-Петербургский государственный лесотехнический университет имени С.М. Кирова», Санкт-Петербург, Россия,
T.G. Garbuzova - Candidate of Agricultural Sciences, Associate Professor of the Department of Economics, Accounting and Analysis, Saint-Petersburg State Forest Technical University, St Petersburg, Russia.
РОЛЬ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ В МОДЕЛИРОВАНИИ СПРОСА И ПРЕДЛОЖЕНИЯ
В ЦИФРОВОЙ ЭКОНОМИКЕ THE ROLE OF RECOMMENDATION SYSTEMS IN MODELING SUPPLY AND DEMAND IN THE DIGITAL ECONOMY
Аннотация. Статья посвящена анализу роли рекомендательных систем в моделировании спроса и предложения в условиях цифровой экономики. Основная цель исследования - изучение методов, используемых в рекомендательных системах, оценка их влияния на экономическую эффективность платформ электронной коммерции и цифровых сервисов. Авторы рассматривают такие основные подходы, как коллаборативная фильтрация и методы социального скоринга, которые применяются в разнообразных секторах экономики, включая коммерцию и государственное управление. В работе отмечена роль использования машинного обучения и искусственного интеллекта с целью повышения точности рекомендаций и управления информационными потоками. Особое внимание уделено таким проблемам внедрения рекомендательных систем в России и странах СНГ, как недостаток кадров и финансов, которые ограничивают потенциал увеличения объемом продаж и повышения эффективности управления спросом. В статье представлены перспективы применения рекомендательных систем.
Abstract. The article analyzes the role of recommendation systems in modeling supply and demand in the digital economy. The main purpose of the study is to study the methods used in recommendation systems, to assess their impact on the economic efficiency of e-commerce platforms and digital services. The authors consider such basic approaches as collaborative filtering and social scoring methods that are used in various
sectors of the economy, including commerce and public administration. The paper highlights the role of using machine learning and artificial intelligence to improve the accuracy of recommendations and information flow management. Special attention is paid to such problems of the introduction of recommendation systems in Russia and the CIS countries as the lack of personnel and finances, which limit the potential for increasing sales and improving the efficiency of demand management. The article presents the prospects for the application of recommendation systems.
Ключевые слова: рекомендательные системы, цифровая экономика, спрос и предложение, коллаборативная фильтрация, машинное обучение, персонализация контента.
Keywords: recommendation systems, digital economy, supply and demand, collaborative filtering, machine learning, content personalization.
Введение
В условиях развития цифровой экономики базовым элементом современных платформ являются рекомендательные системы, которые оказывают влияние на моделирование спроса и предложения. Такие системы необходимы в персонализации контента и предложений товаров и услуг, которые способствуют формированию благоприятного пользовательского опыты и повышению экономической эффективности бизнеса. В последние годы внедрение рекомендательных систем стало неотъемлемой частью платформ электронной коммерции, социальных сетей и медиа-платформ.
Рекомендательные системы применяются в анализе больших массивов данных , характеризующих предпочтения пользователей, позволяя платформам предсказывать, какие товары или услуги могут заинтересовать пользователя. Согласно исследованиям А. Р. Фахрутдинова и Ю. В. Киселева, такие системы способствуют улучшению опыта пользователя, а также помогают регулировать сферу оборота гражданского оружия на основе методов социального скоринга [3]. Более того, как отмечено в статье А. С. Поздняковой, внедрение рекомендательных систем в республике Беларусь повысило эффективность использования ресурсов, несмотря на существующие проблемы с кадровым и технологическим потенциалом [7].
Роль рекомендательных систем отмечается в работе Р. С. Кульшина, А. А. Сидорова и П. В. Сенченко, которые выделяют подходы к их реализации, включая коллаборативную фильтрацию и гибридные методы [5]. Современные проблемы, связанные с избыточностью информации, решаются за счет использования методов искусственного интеллекта и машинного обучения, которые позволяют повысить точность рекомендаций и улучшить управление спросом и предложением.
Целью данной статьи является анализ роли рекомендательных систем в моделировании спроса и предложения в условиях цифровой экономики. Основные задачи исследования включают: изучение методов, используемых в рекомендательных системах с целью моделирования спроса и предложения; оценку влияния рекомендательных систем на экономическую эффективность платформ электронной коммерции и цифровых сервисов; анализ проблем и перспектив использования рекомендательных систем в секторах цифровой экономики.
Обзор литературы
В последние годы интерес к рекомендательным системам в рамках моделирования спроса и предложения в цифровой экономике значительно вырос. В работе Е. Ю. Щетинина [11] рассматриваются методы коллаборатив-ной фильтрации, которые являются основой для большинства современных рекомендательных систем. Такие системы, как отмечается в исследовании, необходимы в электронной коммерции, позволяя пользователям ориентироваться в большом количестве информации, предлагая персонализированные рекомендации. Одним из основных методов, описанных Е. Ю. Щетининым, является метод коллаборативной фильтрации, который основывается на предпочтениях других пользователей с аналогичными интересами, позволяя улучшать качество предложений и поддерживать спрос.
В свою очередь, М. Т. Терехин [9] акцентирует внимание на математических моделях, которые применяться для анализа спроса и предложения в децентрализованных экономических системах. Автор рассматривает систему дифференциальных уравнений, описывающих динамику изменения цен в процессе установления рыночного равновесия. Такой подход позволяет моделировать поведение потребителей и производителей, анализировать влияние цен на спрос и предложение. Исследование М. Т. Терехина демонстрирует, как с помощью математического анализа достигается устойчивость экономического равновесия, которая напрямую связана с задачами рекомендательных систем по оптимизации предложений для пользователей на основе их предпочтений и текущих рыночных условий.
А. Р. Фахрутдинов и его коллеги [3] обсуждают использование рекомендательных систем в государственных структурах, в частности, в сфере оборота гражданского оружия. Авторы предлагают использовать рекомендательные системы в сочетании с методами социального скоринга оценки благонадежности граждан. Такие методы позволяют ускорить принятие решений и повысить их качество за счет автоматизации процессов, способствуя их применению в коммерческом секторе, т. к. важна точная оценка поведения пользователей при формировании индивидуальных предложений. Такой подход демонстрирует потенциал рекомендательных систем в бизнесе и в государственном управлении.
Дополнительно, Д. А. Леви [6] исследует влияние криптовалют на цифровую экономику и подчеркивает значимость децентрализации и скорости транзакций. Рекомендательные системы, работающие с криптовалютами, позволяют пользователям находить оптимальные решения, будь то выбор криптоактива или стратегия инвестирования. Как отмечает Д. А. Леви, алгоритмы этих систем могут предлагать удобные решения и формировать новый тип экономических отношений, в которых основой является автоматизация и анонимность.
С точки зрения будущих перспектив рекомендательные системы все чаще используются в сочетании с методами машинного обучения и искусственного интеллекта для повышения точности прогнозов, расширяя их применение за пределы электронной коммерции, включая социальные сети, государственные услуги и медицину.
Таким образом, анализ показывает, что современные рекомендательные системы оказывают влияние на все аспекты цифровой экономики. Такие системы способствуют улучшению взаимодействия между пользователями и платформами, оптимизируя спрос и предложение на основе больших данных и предпочтений пользователей.
Рекомендательные системы необходимы в процессе автоматизации взаимодействия между потребителями и предложением товаров и услуг. Как отмечается в работе А. С. Поздняковой [7], в Республике Беларусь внедрение систем затруднено из-за ряда проблем, в т. ч. недостаток научных исследований, нехватку кадров и дефицит финансирования. Обозначенные проблемы затрудняют использование рекомендательных систем в электронной коммерции, приводя к снижению их потенциал в увеличении объемов продаж. Несмотря на это, автор отмечает на экономический эффект, который достигается за счет внедрения данных технологий, позволяя увеличить продажи на 10-40 %.
Н. А. Андриянов и его коллеги [2] исследуют математические методы моделирования рекомендательных систем и их применение в телекоммуникационной сфере. Они предлагают использовать дважды стохастические авторегрессионные модели для генерации данных и прогнозирования поведения пользователей. Такие модели позволяют точно предсказывать интересы пользователей, способствуя повышению качества рекомендаций и эффективности систем. Примечательно, что разработанная авторами система достигла высокого уровня точности - около 90 % объясненной дисперсии, подчеркивая эффективность предложенной модели. Авторский подход применим не только в телекоммуникационной сфере, но и в других отраслях цифровой экономики.
С. Г. Капканщиков и С. В. Капканщикова [4] рассматривают переход от экономики спроса к экономике предложения. Авторы критикуют правительственный курс, отмечая необходимость сбалансированного подхода, учитывающего стимулирование спроса и поддержание предложения. Такой взгляд на макроэкономическое управление полезен при анализе роли рекомендательных систем, поскольку они могут эффективно управлять спросом, адаптируя предложения под индивидуальные предпочтения потребителей.
В исследовании А. Д. Селютина и М. М. Котыги [8] рассматривается разработка рекомендательной системы для пользователей московских библиотек с использованием метода ^-ближайших соседей. Авторы отмечают необходимость создания персонализированных рекомендаций на основе истории взаимодействия пользователей с библиотечной системой, которая увеличивает лояльность к платформе и повышает пользовательский опыт. Согласно итогам исследования рекомендательные системы успешно адаптируемы для большинства секторов экономики, включая культуру и образование.
Таким образом, исследования подтверждают, что рекомендательные системы оказывают влияние на цифровую экономику, обеспечивая эффективное взаимодействие между спросом и предложением. Однако для их эффективного внедрения необходимо решать проблемы, связанные с кадрами и финансированием, а также адаптировать математические модели под конкретные задачи.
В работе М. В. Котванова и его коллег [10] анализируется влияние цифровых платформ на трансформацию спроса и предложения. Авторы отмечают, что цифровые платформы, как часть глобальной цифровой экосистемы, снижают транзакционные издержки для участников рынка. На начальных стадиях своего развития они способствуют увеличению совокупного спроса благодаря персонифицированным предложениям. Однако на более зрелых этапах платформы могут терять свое конкурентное преимущество, что, по мнению авторов, приводит к краткосрочному увеличению транзакционных издержек. Таким образом, цифровые экосистемы оказывают положительное и негативное воздействие на экономику в зависимости от стадии их развития.
Е. А. Салихова и ее коллеги [1] обращают внимание на влияние алгоритмических рекомендательных систем в контексте медиаплатформ. В частности, они отмечают роль таких систем в управлении информационными потоками и формировании повестки дня. Авторы исследуют проблему информационных пузырей и эхо -камер, которые возникают вследствие применения алгоритмических рекомендаций. Такие явления приводят к поляризации общества и искажению восприятия реальности. Алгоритмические рекомендательные системы, по мнению исследователей, необходимы в формировании индивидуализированных информационных сред, создавая как новые возможности, так и формируя новые проблемы для медиаиндустрии.
Р. С. Кульшин и А. А. Сидоров [5] рассматривают роль рекомендательных систем в цифровых сервисах. Они отмечают, что такие системы являются основным элементом цифровой экономики, благодаря которым формируется успешный пользовательский опыт и увеличиваются продажи. Авторы отмечают несколько методов реализации рекомендательных систем, включая коллаборативную фильтрацию, контент-базированные методы и гибридные системы. Особое внимание уделено использованию машинного обучения с целью улучшения точности рекомендаций. В работе приведены примеры успешного применения рекомендательных систем в таких компаниях, как Netflix и Amazon, которые подтверждают их эффективность в создании персонализированных предложений для пользователей.
Однако существуют проблемы в разработке рекомендательных систем, связанные с задачей «холодного старта», непредсказуемостью рекомендаций и вопросами приватности данных. Следует отметить, что тренды развития рекомендательных систем включают использование глубокого обучения и гибридных методов, которые позволяют повысить качество рекомендаций и адаптировать их к изменяющимся предпочтениям пользователей.
Таким образом, обзор литературы демонстрирует, что рекомендательные системы неотъемлемы в цифровой экономике, способствуя персонализации предложений, улучшению пользовательского опыта и увеличению экономической эффективности. Однако успех их применения зависит от учета таких проблем, как приватность данных и обеспечение прозрачности алгоритмов. Дальнейшие исследования и разработки должны фоку-
сироваться на совершенствовании методов, позволяющих минимизировать такие негативные эффекты, как информационные пузыри и эхо-камеры, увеличивая эффективность систем для пользователей.
Основная часть
Методы и алгоритмы, используемые в рекомендательных системах, часто основываются на коллабора-тивной фильтрации. Такой метод основывается на анализе предпочтений пользователей с аналогичными интересами и широко применяется в социальных сетях и электронной коммерции. Коллаборативная фильтрация позволяет рекомендательным системам предсказывать товары, которые с большей вероятностью заинтересует пользователя, позволяя повысить уровень продаж. Следует отметить, что этот метод эффективен при наличии больших данных о пользователях.
Другой метод, основанный на моделировании спроса и предложения через дифференциальные уравнения. Такой подход позволяет моделировать изменения цен и динамику рыночного равновесия с использованием математических методов, повышая точность прогнозирования в условиях децентрализованных экономических систем. Методы применимы в ситуациях, которые должны учитывать множество экономических факторов и их влияние на поведение пользователей. Применение методов социального скоринга в сочетании с рекомендательными системами формирует подход к их применению. Однако, сдерживающим фактором развития рекомендательных систем является недостаток кадров и финансирования, низкую международную конкурентоспособность и недостаток подготовки специалистов. Эти факторы замедляют развитие рекомендательных систем, снижая их потенциал в повышении экономических показателей. Методы машинного обучения, используемые для разработки рекомендательных систем, позволяют применять дважды стохастические модели для генерации искусственных данных и дальнейшей кластеризации пользователей. Такие рекомендательные системы обеспечивают точные прогнозы. Эта методика эффективна для компаний, в которых необходимо учитывать поведение пользователей в условиях больших объемов данных.
Следует рассматривать влияние цифровых платформ на совокупный спрос и предложение, особенно на более зрелых стадиях развития цифровые экосистемы, т. к. они могут терять свое конкурентное преимущество перед традиционными бизнесами. Такой вывод важен в понимании долгосрочной эффективности рекомендательных систем, которые часто используются для управления спросом и предложением на платформах.
Таким образом, рекомендательные системы стали неотъемлемой частью цифровой экономики, обеспечивая персонализацию предложений пользователям в управлении спросом и предложением, а также улучшении пользовательского опыта. Основным преимуществом рекомендательных систем является способность анализировать поведение пользователей, предпочтения и формировать предложения наиболее релевантных товаров. В российской практике рекомендательные системы активно внедряются как в коммерческом секторе, так и в государственных сервисах.
На основе анализа успешных практик нами систематизированы основные методы, используемые в рекомендательных системах, их применение в современных российских компаниях (таблица 1).
Таблица 1 - Методы рекомендательных систем, применяемые в российской практике
Метод Применение Преимущества Примеры использования
Коллаборативная фильтрация Электронная коммерция, стримин-говые сервисы. Высокая точность рекомендаций при большом количестве данных пользователей. Сервисы Яндекс.Музыка, Ozon, ВКонтакте
Контент-базированные системы Онлайн-медиа, развлекательные платформы. Рекомендации на основе характеристик контента. КиноПоиск HD, IVI.
Гибридные системы Маркетплейсы, интернет-магазины. Сочетание методов коллаборативной фильтрации и контентных методов с целью повышения точности. Wildberries, Ozon.
Машинное обучение Телекоммуникационные компании, банковские сервисы. Моделирование и прогнозирование поведения клиентов, персонализированные предложения. МТС, Сбербанк.
Модели на основе искусственного интеллекта Государственные услуги, системы поддержки решений. Автоматизация принятия решений, улучшение качества госуслуг. Госуслуги, Московский паркинг.
Социальный скоринг Сфера безопасности, государственные регуляторы. Оценка благонадежности на основе социального поведения. Системы регулирования оборота оружия.
Источник: составлено авторами на основе [1, 3, 7, 11]
Приведенные в таблице 1 примеры показывают, что различные алгоритмы рекомендательных систем широко применяются в российских компаниях не только в коммерческих структурах, таких как маркетплейсы или развлекательные платформы, но и в государственных сервисах. Например, Яндекс.Музыка активно использует коллаборативную фильтрацию для подбора музыкальных рекомендаций, позволяя пользователям открывать для себя новые композиции, основанные на предпочтениях других пользователей с похожими вкусами. В то же время такие компании, как Сбербанк и МТС, внедряют методы машинного обучения с целью прогнозирования поведения клиентов и создания персонализированных предложений, позволяя повысить лояльность пользователей и оптимизировать процесс предоставления услуг.
Проведенный анализ методов и их применения позволяет сделать вывод, что эффективность рекомендательных систем в значительной степени зависит от качества данных и выбранных алгоритмов. Использование гибридных методов, сочетающих преимущества коллаборативной фильтрации и контентных подходов, повышает точность рекомендаций и обеспечивает высокую степень персонализации пользователей. Однако важным аспектом является решение вопросов, связанных с приватностью данных и обеспечением прозрачности алгоритмов, которые становятся актуальными в условиях увеличивающегося объема информации и данных, используемых в цифровых экосистемах.
Рекомендательные системы направлены на повышение конкурентоспособности в таких секторах, как электронная коммерция, телекоммуникации и государственные услуги. Однако их внедрение и эффективное
использование требуют комплексного подхода, включая решение вопросов кадрового потенциала, разработки методов защиты данных и улучшения пользовательского опыта.
В результате анализа нами выделы проблемы и перспективы использования рекомендательных систем в России (таблица 2).
Таблица 2 - Проблемы и перспективы использования рекомендательных систем в России
Проблема Перспектива Примеры реализации
Недостаток кадров и специалистов в сфере ИТ Развитие образовательных программ в университетах, увеличение количества грантов и стипендий для подготовки специалистов. Инициативы Сбербанка по созданию образовательных программ для подготовки специалистов в области искусственного интеллекта.
Низкая международная конкурентоспособность Участие в международных проектах, развитие собственных исследовательских центров. Проект Национальной технологической инициативы (НТИ), ориентированный на развитие искусственного интеллекта и рекомендательных систем.
Низкая готовность компаний к внедрению цифровых решений Обучение сотрудников и внедрение цифровых навыков за счет корпоративные программы. Программы корпоративного обучения в «МТС» направлены на повышение квалификации сотрудников в работе с цифровыми платформами.
Проблемы с приватностью и защитой данных Разработка прозрачных алгоритмов, внедрение лучших мировых практик по защите данных. ««Яндекс» и «Сбер» активно развивают технологии защиты пользовательских данных с целью повышения доверия к рекомендательным системам.
Отсутствие крупномасштабных разработок на национальном уровне Увеличение государственных инвестиций в технологические стартапы, стимулирование частного сектора. Развитие российского ИТ-гиганта «Яндекс», который использует рекомендательные системы направленные на улучшение сервисов, включая «Яндекс.Маркет» и «Яндекс.Музыка»
Проблемы с масштабированием технологий Инвестиции в инфраструктуру, создание государственно-частных партнерств с целью масштабирования технологий. Программы цифровой трансформации в ПАО «Ростелеком» и поддержка стартапов в рамках «Сколково».
Источник: составлено авторами на основе [2, 3, 4, 7, 9]
Как видно из представленных данных, проблемы внедрения рекомендательных систем в России достаточно разнообразны, и их решение требует участия как государства, так и частного сектора. Одной из основных проблем является недостаток специалистов, решение которой требует целенаправленных усилий по подготовке кадров. Такие российские компании, как «Яндекс», «Сбер» и «МТС», уже работают в этом направлении, создавая образовательные программы и развивая внутренние компетенции.
Кроме того, вопросы приватности и защиты данных остаются актуальными. В России ведутся исследования по разработке решений, обеспечивающих безопасность пользовательских данных. Проекты, направленные на развитие рекомендательных систем, такие как инициативы «Сколково» и Национальной технологической инициативы, показывают потенциал для дальнейшего роста и улучшения цифровых сервисов.
Таким образом, при правильном подходе и инвестициях российские компании могут эффективно решать существующие проблемы и продолжать внедрение рекомендательных систем, что в конечном итоге приведет к повышению экономической эффективности и конкурентоспособности страны на мировой арене.
Заключение
Анализ роли рекомендательных систем в моделировании спроса и предложения в цифровой экономике показал, что эти системы необходимы в оптимизации взаимодействия пользователей и платформам, способствуют повышению экономической эффективности компаний и улучшают пользовательский опыт за счет пер-сонализации предложений. Однако их успешное внедрение и функционирование требуют решения таких проблем, как недостаток квалифицированных кадров, защита данных и масштабируемость технологий. Кроме того, важным фактором является интеграция рекомендательных систем с существующими бизнес-процессами, которые требует существенных инвестиций и развития цифровой инфраструктуры.
Источники:
1. Алгоритмические рекомендательные системы и цифровые медиаплатформы: теоретические подходы / Е. А. Салихова, С. А. Вартанов, А. А. Гладкова, Д. В. Дунас // Информационное общество. - 2022. - № 6. - С. 84-95.
2. Андриянов, Н. А. Математическое моделирование рекомендательной системы и обработка данных телекоммуникационной компании с помощью моделей машинного обучения / Н. А. Андриянов, М. Б. Р. Атаходжаева, Е. И. Бородин // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2022. - Т. 22, N° 2. - С. 17-28.
3. Использование цифровой субтехнологии «Рекомендательные системы» и методов социального скоринга в сфере оборота гражданского оружия / А. Р. Фахрутдинов, Ю. В. Киселев, А. Емельяненко, В. А. Тупчиенко // Colloquium-Journal. - 2019. - № 27-2(51). - С. 136-139.
4. Капканщикова, С. В. От экономики спроса к экономике предложения? / С. В. Капканщикова, С. Г. Капканщиков // Вестник Московского университета. Серия 6: Экономика. - 2021. - № 1. - С. 58-76.
5. Кульшин, Р. С. Рекомендательные системы в цифровых сервисах / Р. С. Кульшин, А. А. Сидоров, П. В. Сенченко // Электронные средства и системы управления. Материалы докладов Международной научно-практической конференции. - 2023. - № 1-2. - С. 352-354.
6. Леви, Д. А. Анализ факторов спроса и предложения электронных валют в эпоху развития нетократической цифровой экономики / Д. А. Леви // Актуальные проблемы и перспективы развития экономики: российский и зарубежный опыт. - 2018. - № 19. - С. 24-28.
7. Позднякова, А. С. Проблемы использования рекомендательных систем в экономике Республики Беларусь / А. С. Позднякова // Столица науки. - 2020. - № 5(22). - С. 181-185.
8. Селютин, А. Д. Цифровое решение: рекомендательная система для пользователей московских Библиотек / А. Д. Селютин, М. М. Котыга // Актуальные научные исследования в современном мире. - 2021. - № 10-8(78). - С. 120-123.
9. Терехин, М. Т. Система дифференциальных уравнений как математическая модель закона спроса и предложения в децентрализованной национальной экономике / М. Т. Терехин // Вестник РАЕН. - 2019. - Т. 19, № 2. - С. 161 -171.
10. Трансформация спроса и предложения под влиянием цифровых платформ / М. В. Котванов, И. Н. Санникова, С. Г. Котванова, Е. В. Кузина // Вестник Алтайской академии экономики и права. - 2022. - № 7-2. - С. 244-253.
11. Щетинин, Е. Ю. О методах моделирования рекомендательных систем на основе коллаборативной фильтрации / Е. Ю. Щетинин // Modern Science. - 2019. - № 4-2. - С. 185-191.