ПРИМЕНЕНИЕ СОВРЕМЕННЫХ СРЕДСТВ АДАПТИВНОГО ПРОГНОЗИРОВАНИЯ И ПРЕДИКТИВНОЙ АНАЛИТИКИ ДЛЯ АНАЛИЗА КЛИЕНТСКОЙ УДОВЛЕТВОРЕННОСТИ

  • Екатерина Алексеевна Павлова Ивановский государственный химико-технологический университет https://orcid/org/0000-0002-9266-9603
  • Сергей Петрович Бобков Ивановский государственный химико-технологический университет https://orcid/org/0000-0001-7315-1625
  • Ольга Леонидовна Ксенофонтова Ивановский государственный химико-технологический университет https://orcid/org/0000-0002-4122-6220
  • Ольга Павловна Смирнова Ивановский государственный химико-технологический университет https://orcid/org/0009-0003-2941-5365
Ключевые слова: предиктивная аналитика, адаптивное прогнозирование, машинное обучение, индекс потребительской лояльности (NPS), метод случайного леса, логистическая регрессия, нейронные сети, градиентный бустинг, точность (Accuracy), полнота (Recall), F1-Score, анализ клиентской удовлетворенности

Аннотация

Статья посвящена вопросам предиктивной аналитики и адаптивного прогнозирования, представляющим собой передовую технологию, направленную на разработку и применение моделей для предсказательных целей посредством анализа больших данных. Рассматриваются современные инструменты и методики, применяемые в рамках данных направлений, такие как нейронные сети, градиентный бустинг и случайный лес, для решения задач машинного обучения. Исследуется проблема точности прогнозирования, возникающая вследствие динамичности и изменчивости окружающей среды, приводится обоснование важности адаптивных методов в контексте требований современной цифровой экономики. Обосновывается необходимость постоянного обновления и адаптации моделей, подчёркивая их значимость для компаний различного профиля.

Подчёркнута важность использования качественного набора данных и правильного выбора метода для каждого отдельного случая. Представленные выводы доказывают эффективность применения методов машинного обучения для повышения удовлетворенности клиентов с целью укрепления конкурентных позиций на рынке. 

Литература

Burnaev E.V. Algorithmic foundations of predictive analytics in industrial engineering design. Information Processes. 2019. Vol. 19. N 3. P. 249-270. EDN SBVOQS. (in Russian).

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. https://www.researchgate.net/publication/225734295_The_Elements_of_Statistical_Learning_Data_Mining_Inference_and_Prediction.

Oleynikova A.V., Bondareva I.O., Oleynikov A.A. The Effectiveness of the ETL Process for Predictive Analytics. Proceedings of the Southwestern State University. 2024. Vol. 28. N 4. P. 67-85. DOI: 10.21869/2223-1560-2024-28-4-67-85. EDN LDKAXD. (in Russian).

Akimova A.A. The main components of predictive data analytics development. Youth Bulletin of the Novorossiysk branch of the Belgorod State Technological University named after V.G. Shukhov. 2022. Vol. 2. N 3(7). P. 64-67. DOI: 10.51639/2713-0576_2022_2_3_64. EDN YIPXKF. (in Russian).

Petrova A.F., Petrov E.N., Kasimov R.A. Predictive analytics – the most common methods and instruments. Electronic Information Systems. 2025. N 1(44). P. 101-110. EDN DIVSEI. (in Russian).

Tools for working with large data sets - technologies for processing Big Data. https://developers.sber.ru/help/gigachat-api/big-data. (in Russian).

Pavlova E.A., Sizova O.V. Analysis and optimization of online sales of a trade organization. Ivecofin. 2024. N 4(62). P. 88-97. DOI: 10.6060/ivecofin.2024624.706 EDN XVZKXI. (in Russian).

Skorik M.A. Data Mining in Predictive Analytics. "Day of the Statistician" - materials of the All-Russian Scientific and Practical Conference "Statistics and Modern Challenges". Moscow: MESI. 2015. P. 475-480. EDN VXVJNH. (in Russian).

Astrakhantseva I.A., Kotenev T.E., Gorev S.V., Astrakhantsev R.G., Grimenitsky P.N. Integration of linear regression and random forest methods into intelligent support systems for managing cryogenic transport systems. Ivecofin. 2024. N 03(61). С.81-90. DOI: 10.6060/ivecofin.2024613.692. EDN CDNSYQ. (in Russian).

Astrakhantseva I.A., Kotenev T.E., Gorev S.V., Astrakhantsev R.G., Grimenitsky P.N. Gradient boosting method in predicting management decisions in the multilayer cryogenic system. Modern high technologies. Regional application. 2024. N 2(78). P. 50-58. DOI: 10.6060/snt.20247802.0007. EDN CDNSYQ. (in Russian).

Zimnurov M.F., Astrakhantseva I.A. Usage of Large Language Models for building multi-vectored and multi-linked data model of work process. Modern high technologies. Regional application. 2025. N 1(81). P. 76-83. DOI: 10.6060/snt.20258101.0009. EDN STBGGB. (in Russian).

Adaptive materials. Great Russian Encyclopedia. https://bigenc.ru/c/adaptivnye-materialy-080ac1. (in Russian).

Bondarenko M.O. Validation technologies in predictive analytics of multidimensional data. Materials of the All-Russian Scientific Conference of Young Researchers with International Participation «Innovative Development of Industrial Engineering and Technologies». Moscow: A.N. Kosygin Russian State University. 2025. P. 80-84. EDN MZLVRG. (in Russian).

Rukomin M.A. Review of ensemble models in predictive analytics and their comparison with traditional machine learning approaches. Bulletin of Science. 2025. Vol. 1. N 8(89). P. 368-373. EDN GJBKYS. (in Russian).

Puryskina V.A. Predictive analytics as a modern tool for business development. Accounting and Control. 2025. Vol. 1. N 9. P. 37-51. DOI: 10.36871/u.i.k.2025.09.01.005. EDN NVYVPT. (in Russian).

Опубликован
2026-03-25
Выпуск
№ 1(67) (2026)
Раздел
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА

Наиболее читаемые статьи этого автора (авторов)

1 2 > >>