Перейти до вмісту (натисніть Enter)
ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ТА BIG DATA В ЕЛЕКТРОННІЙ КОМЕРЦІЇ: ПЕРСОНАЛІЗОВАНИЙ МАРКЕТИНГ NETFLIX
Перегуда Ю.А.
Навчальний-науковий інститут управління, економіки та бізнесу Міжрегіональної Академії управління персоналом
https://orcid.org/0000-0002-1434-2509
ЗАВАНТАЖИТИ СТАТТЮ
АНОТАЦІЯ
Стаття присвячена аналізу використання Big Data та алгоритмів машинного навчання для персоналізації маркетингу в електронній торгівлі на прикладі Netflix. Розглянуто особливості процедур збору та обробки поведінкових, транзакційних і контентних даних, що формують єдиний профіль користувача. У статті визначено патерни активного, пасивного й латентного споживання. Проаналізовано архітектуру аналітики Netflix із використанням розподілених систем для обробки великих наборів даних у режимі реального часу, а також застосування гібридних моделей глибинного навчання для рекомендацій і динамічної адаптації контенту. Окреслено етичні та регуляторні ризики, пов’язані з конфіденційністю та ефектом інформаційної бульбашки. Зазначено, що впровадження аналітики Big Data забезпечує підвищення залученості користувачів і сталий розвиток компаній на глобальному ринку та ефективна взаємодія між аналітичними технологіями, регуляторними вимогами та етичними принципами формує основу стійкого розвитку цифрових платформ.
КЛЮЧОВІ СЛОВА
штучний інтелект, Big Data, електронна комерція, цифровий маркетинг, персоналізований маркетинг, аналіз великих даних, поведінкові дані користувачів, споживча поведінка, цифровізація, цифрові платформи, Netflix.
ПОСИЛАННЯ
1. Wang, S., & Wu, C. (2024). Research on Personalized Recommendation System of E-Commerce Based on Big Data. The Frontiers of Society, Science and Technology, Vol. 6. No. 5. Pp. 27–33.
2. Odionu, C.S., Bristol-Alagbariya, B., & Okon, R. (2024). Big data analytics for customer relationship management: Enhancing engagement and retention strategies. International Journal of Scholarly Research in Science and Technology, Vol. 5. No. 2. Pp. 50–67.
3. Bandara, F. ets. (2024). Enhancing ERP responsiveness through Big Data technologies: An empirical investigation. Information Systems Frontiers, Vol. 26. Pp. 251–275.
4. Sianipar, A. (2025). Increasing Business Growth Through Strategic Integration of Big Data in Customer Relationship Management (CRM): A Systematic Literature Review. SSRN.
5. Valdez Mendia, J.M., & Flores-Cuautle, J. (2022). Toward customer hyper-personalization experience – A data driven approach. Cogent Business & Management, Vol. 9. No. 1. Pp. 4-16.
6. Solano, M.C., & Cruz, H. (2024). Integrating analytics in enterprise systems: A systematic literature review of impacts and innovation. Adm. Sci., Vol. 14. No. 7. Article 138.
7. Kotler, Ph., Kartajaya, H., & Setiawan I. (2017). Marketing 4.0. Moving from traditional to digital.
8. Wamba, S.F., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015). How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study. International Journal of Production Economics, No. 165. Pp. 234–246.
9. Shao, J., Feng, Yi., & Liu, Z. (2024). The impact of Big Data-driven strategies on sustainable consumption behavior in e-commerce: a green economy perspective Sustainability, Vol. 16. No. 24. Article 10960.
10. Boiko, L., Kalenskiy, V., Bogoyavlenska, Yu., & Trusova, N. (2023). The role of Netflix’s business model in disruptive innovations formation on the video streaming market. Економічний вісник ДВНЗ УДХТУ, № 2. С. 25-34.
11. Jia, L. (2024). Financial Analysis of Netflix with a Strategic Approach. Advances in Economics, Management and Political Sciences, No. 68. Pp. 92-96,
12. Yuan, C. (2023). A Case Study of Netflix’s Marketing Strategy. BCP Business & Management, No. 42. Pp. 185-190.
13. Liu, X. (2023). Analysis of Netflix’s Strategy and Innovation in a Global Context Based on BCG Matrix. BCP Business & Management, No. 42. Pp. 168-173.
14. Kurniawan, D.H., ets. (2023). EVStore: Storage and caching capabilities for scaling embedding tables in deep recommendation systems. Proceedings of the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS ’23).
15. Gomez-Uribe, C.A., & Hunt, N. (2015). The Netflix recommender system: algorithms, business value, and innovation. ACM Transactions on Management Information Systems, Vol. 6. No. 4. Article 13.
16. Amat, F., Chandrashekar, A., Jebara, T., & Basilico J. (2018). Artwork personalization at Netflix. Proceedings of the 12th ACM Conference on Recommender Systems (RecSys ’18). Pp. 487–488.
17. Rui Ding et al. (2023). Interpretable User Retention Modeling in Recommendation. Proceedings of the 17th ACM Conference on Recommender Systems (RECSYS’23), Pp. 702–708.
18. Ali, N., & Shabn, O. S. (2024). Customer lifetime value (CLV) insights for strategic marketing success and its impact on organizational financial performance. Cogent Business & Management, Vol. 11. No. 1. Article 2361321.
19. Ghasemi, P., Yuan, C., Marion, T., & Moghaddam, M. (2024). DCG-GAN: Design concept generation with generative adversarial networks. Design Science, 10, e14.
20. Klimashevskaia, A., Jannach, D., Elahi, M., & Trattner, C. (2024). A survey on popularity bias in recommender systems. User Modeling and User-Adapted Interaction, No. 34. Pp. 1777–1834.
21. Chacko, M., & Mishra, S. (2022). The former Indian DPB, California’s CCPA and the European GDPR: A comparative analysis. Journal of Data Protection & Privacy, Vol. 5. No. 2. Pp. 111–118.
