РОЗРОБКА RFM-СТРАТЕГІЙ ДЛЯ СЕГМЕНТАЦІЇ КОРИСТУВАЧІВ МЕТОДАМИ МАШИННОГО НАВЧАННЯ
| dc.contributor.author | Яшина, І. М. | |
| dc.date.accessioned | 2025-12-22T12:35:53Z | |
| dc.date.issued | 2025 | |
| dc.description | Яшина, І. М. Розробка RFM-стратегій для сегментації користувачів методами машинного навчання = Developing RFM strategies for user segmentation using machine learning methods: кваліфікаційна робота на здобуття ступеня вищої освіти «магістр» / ІІ. М. Яшина; наук. к. д. е. н., проф. В. М. Кобець; Міністерство освіти і науки України ; Херсонський держ. ун-т, ф-т комп’ютерних наук, фізики та математики, кафедра комп’ютерних наук та програмної інженерії. – Херсон – Івано-Франківськ : ХДУ, 2025. – 68 с. | |
| dc.description.abstract | У роботі досліджено роль клієнтської аналітики в сучасній маркетинговій діяльності, зокрема застосування моделі RFM-аналізу у поєднанні з методами машинного навчання та інструментами штучного інтелекту. Розкрито етапи проведення RFM-аналізу, особливості класифікації клієнтів і формування сегментів за основними показниками – Recency, Frequency, Monetary. У роботі доведено, що впровадження алгоритмів машинного навчання підвищує точність прогнозування споживацької поведінки, сприяє автоматизації процесів обробки великих даних і дозволяє формувати персоналізовані маркетингові та цінові стратегії. Особливу увагу приділено використанню середовища RStudio для розрахунків і візуалізації результатів, а також можливостям ChatGPT у поясненні аналітичних висновків і генерації коду. Результати дослідження підтвердили, що поєднання класичного RFM-підходу з інтелектуальними технологіями забезпечує підвищення точності, ефективності та адаптивності маркетингових рішень у динамічному бізнес-середовищі. / This research explores the role of customer analytics in modern marketing, with a focus on the application of the RFM analysis model combined with machine learning methods and artificial intelligence tools. The study outlines the main stages of conducting RFM analysis, including client classification and segmentation based on the key parameters – Recency, Frequency, and Monetary value. It has been proven that the integration of machine learning algorithms enhances the accuracy of customer behavior prediction, facilitates the automation of big data processing, and enables the development of personalized marketing and pricing strategies. Special attention is given to the use of RStudio for calculations and data visualization, as well as to the potential of ChatGPT in interpreting analytical results and generating code. The findings confirm that combining the classical RFM approach with intelligent technologies increases the precision, efficiency, and adaptability of marketing decisions in a dynamic business environment. | |
| dc.identifier.uri | https://ekhsuir.kspu.edu/handle/123456789/21746 | |
| dc.subject | RFM-аналіз | |
| dc.subject | клієнтська аналітика | |
| dc.subject | машинне навчання | |
| dc.subject | штучний інтелект | |
| dc.subject | RStudio | |
| dc.subject | ChatGPT | |
| dc.subject | Big Data | |
| dc.subject | сегментація клієнтів | |
| dc.subject | персоналізований маркетинг | |
| dc.subject | аналітика даних | |
| dc.subject | прогнозування поведінки споживачів | |
| dc.subject | еластичність попиту | |
| dc.subject | RFM analysis | |
| dc.subject | customer analytics | |
| dc.subject | machine learning | |
| dc.subject | artificial intelligence | |
| dc.subject | customer segmentation | |
| dc.subject | personalized marketing | |
| dc.subject | data analytics | |
| dc.subject | consumer behavior prediction | |
| dc.subject | demand elasticity. | |
| dc.title | РОЗРОБКА RFM-СТРАТЕГІЙ ДЛЯ СЕГМЕНТАЦІЇ КОРИСТУВАЧІВ МЕТОДАМИ МАШИННОГО НАВЧАННЯ | |
| dc.title.alternative | DEVELOPING RFM STRATEGIES FOR USER SEGMENTATION USING MACHINE LEARNING METHODS | |
| dc.type | Other |