НЕЙРОМЕРЕЖЕВІ ТЕХНОЛОГІЇ В СИСТЕМІ МАРКЕТИНГОВОГО УПРАВЛІННЯ ПІДПРИЄМСТВАМИ
DOI:
https://doi.org/10.60022/3(1)-41SКлючові слова:
нейромережеві технології, маркетингове управління, цифрова трансформація, логістична криза, підприємстваАнотація
У статті досліджено теоретичні засади застосування нейромережевих технологій у системі маркетингового управління промисловими підприємствами. Обґрунтовано актуальність впровадження штучного інтелекту як інструменту адаптивного маркетингу в умовах логістичної кризи та воєнного стану в Україні. Встановлено недостатню ефективність традиційних методів маркетингового аналізу в умовах різкого зростання ринкової невизначеності. Систематизовано типологію нейромережевих архітектур за функціями маркетингового управління: LSTM і GRU — для прогнозування попиту, CNN — для сегментації споживачів, Transformer — для NLP-моніторингу конкурентного середовища, автоенкодер — для виявлення логістичних аномалій. Проведено порівняльний аналіз традиційних і нейромережевих систем управління за сімома критеріями. Встановлено, що LSTM-моделі знижують похибку прогнозування попиту з ±15–25% до ±5–8%. Розроблено SWOT-матрицю впровадження нейромережевих технологій у маркетингову діяльність промислових підприємств. Визначено три пріоритетні напрями цифрової трансформації: real-time LSTM-аналітика, NLP-моніторинг конкурентного середовища та автоенкодерна детекція аномалій у логістичних потоках.
Посилання
1. Lecun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015. Vol. 521, No. 7553. P. 436–444. DOI: 10.1038/nature14539.
2. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge : MIT Press, 2016. 800 p.
3. Собчук В. В., Барабаш О. В., Мусієнко А. П. Основи забезпечення функціональної стійкості інформаційних систем підприємств в умовах впливу дестабілізуючих факторів : монографія. Київ : Міленіум, 2022. 272 с.
4. Yang M., Lim M. K., Qu Y., Ni D., Xiao Z. Supply chain risk management with machine learning technology: A literature review and future research directions. Computers & Industrial Engineering. 2023. Vol. 175. P. 108859. DOI: 10.1016/j.cie.2022.108859.
5. Pietukhov R., Ahtamad M., Faraji-Niri M., El-Said T. A hybrid forecasting model with logistic regression and neural networks for improving key performance indicators in supply chains. Supply Chain Analytics. 2023. Vol. 4. P. 100041. DOI: 10.1016/j.sca.2023.100041.
6. Abumohsen M., Owda A. Y., Owda M. Electrical load forecasting using LSTM, GRU, and RNN algorithms. Energies. 2023. Vol. 16, No. 5. P. 2283. DOI: 10.3390/en16052283.
7. Kassa A., Kitaw D., Stache U., Beshah B., Degefu G. Artificial intelligence techniques for enhancing supply chain resilience: A systematic literature review, holistic framework, and future research. Computers & Industrial Engineering. 2023. Vol. 186. P. 109714. DOI: 10.1016/j.cie.2023.109714.
8. Олімпієва Ю. І. Забезпечення функціональної стійкості виробничих процесів промислових підприємств на основі нейроадаптивної системи. Системи управління, навігації та зв’язку. 2024. № 3. С. 46–51. DOI: 10.26906/SUNZ.2024.3.046.
9. Wang C.-C., Chien C.-H., Trappey A. J. C. On the application of ARIMA and LSTM to predict order demand based on short lead time and on-time delivery requirements. Processes. 2021. Vol. 9, No. 7. P. 1157. DOI: 10.3390/pr9071157.
10. Punia S., Shankar S. Predictive analytics for demand forecasting: a deep learning-based decision support system. Knowledge-Based Systems. 2022. Vol. 258. P. 109956. DOI: 10.1016/j.knosys.2022.109956.
11. Ivanov D., Dolgui A. A digital supply chain twin for managing the disruption risks and resilience in the era of Industry 4.0. Production Planning & Control. 2021. Vol. 32, No. 9. P. 775–788. DOI: 10.1080/09537287.2020.1768450.
12. Al-Banna A., Rana Z. A., Yaqot M., Menezes B. Interconnectedness between supply chain resilience, industry 4.0, and investment. Logistics. 2023. Vol. 7, No. 3. P. 50. DOI: 10.3390/logistics7030050.
13. Aljohani A. Predictive analytics and machine learning for real-time supply chain risk mitigation and agility. Sustainability. 2023. Vol. 15, No. 20. P. 15088. DOI: 10.3390/su152015088.
14. Koç E., Türkoğlu M. Forecasting of medical equipment demand and outbreak spreading based on deep long short-term memory network: the COVID-19 pandemic in Turkey. Signal, Image and Video Processing. 2022. Vol. 16, No. 3. P. 613–621. DOI: 10.1007/s11760-020-01847-5.
15. Smyth C., Dennehy D., Fosso Wamba S., Scott M., Harfouche A. Artificial intelligence and prescriptive analytics for supply chain resilience: a systematic literature review and research agenda. International Journal of Production Research. 2024. Vol. 62, No. 23. P. 8537–8561. DOI: 10.1080/00207543.2024.2341415.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Вікторія Олександрівна Шашко, Олександр Віталійович Ружинскас, Ярослав Геннадійович Бондарєв (Автор)
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Сторінка у Facebook
