МАШИННЕ НАВЧАННЯ ДЛЯ АНАЛІЗУ ДАНИХ ЕЛЕКТРОННОЇ КОМЕРЦІЇ

МАШИННЕ НАВЧАННЯ ДЛЯ АНАЛІЗУ ДАНИХ ЕЛЕКТРОННОЇ КОМЕРЦІЇ Анотація.У статті представлено систему машинного навчання для автоматизованого аналізу товарних даних в електронній комерції.Система обробляє понад 1,1 мільйона товарних позицій з 90 джерел Shopify, застосовуючи алгоритми RandomForest, XGBoost, CLIP, HDBSCAN та Isolation Forest.Архітектура побудована на модульному мікросервісному підході з асинхронною обробкою даних, централізованим зберіганням у MongoDB Atlas та інтеграцією з Telegram-ботом як основним інтерфейсом для користувачів.Експериментальне оцінювання проведено на 25 968 товарах сегменту взуття (270 046 цінових пропозицій), де досягнуто F1-score 0,9987 для класифікації конкурентоспроможності цін та R² 0,8045 для регресійного прогнозування ринкової вартості.Для виявлення високорентабельних товарів використано XGBoost-класифікатор (F1-score 0,9931), а Isolation Forest ідентифікує близько 5 % аномальних цінових записів.Використання 512-вимірних CLIP-ембедингів у поєднанні з HDBSCAN забезпечило семантичний пошук та кластеризацію товарів із показниками схожості 0,84-0,88.Запропоноване рішення дає змогу скоротити час щоденного аналізу ринку з 2-3 годин до 20-30 хвилин, підвищити прибутковість на 5-7 % і збільшити конверсію продажів на 10-15 %.Система вже функціонує в реальному бізнес-середовищі, обслуговуючи понад 10 900 клієнтів через Telegram-канал, і може бути масштабована на інші категорії товарів та нові джерела даних без істотної зміни архітектури.Наукова новизна полягає в інтеграції RandomForest, XGBoost, Isolation Forest, HDBSCAN та CLIP-ембедингів у єдиному конвеєрі, орієнтованому на потреби малого й середнього бізнесу.Практичне значення підтверджується можливістю швидко знаходити релевантні альтернативи, зменшувати частку неліквідних № 13(54)