Детальная информация

Целью работы является разработка и оффлайн-валидация модернизированной ML-подсистемы рекомендаций товаров-заменителей, направленной на повышение доли принятых замен (Acceptance Rate) в онлайн-ритейле компании X5 Group. Для достижения цели решены следующие задачи: – проанализировать предметную область e-grocery и существующие подходы к подбору товаров-заменителей; – выполнить диагностику подсистемы замен (AS-IS) и выявить системные узкие места; – сформулировать требования и спроектировать целевую архитектуру (TO-BE); – реализовать ранжирующую ML-модель подбора замен и провести её оффлайн-валидацию; – обосновать перспективные направления развития и оценить экономический эффект модернизации. Методы: TOGAF ADM, стандарт ISO/IEC/IEEE 42010, машинное обучение (градиентный бустинг для ранжирования, векторный поиск FAISS), метрики ранжирования (NDCG, Accuracy, Recall, MRR, MAP), параметрическая оценка эффекта и инвестиционной эффективности (окупаемость, NPV, ROI), анализ рисков по матрице «вероятность × влияние». Источники: отчётность X5 Group и научно-техническая литература по рекомендательным системам и машинному обучению. В результате спроектирована целевая архитектура и обучена ранжирующая модель; оффлайн-валидация показала рост абсолютных метрик ранжирования относительно AS-IS (сопоставление индикативно), а экономическая оценка — окупаемость около 6 месяцев, NPV ≈ 136 млн руб., ROI ≈ 109 %. Результаты применимы в X5 Group и масштабируемы.

The subject of the graduate qualification work is «Modernization of the intelligent recommendation system for substitute products in online retailing». The relevance of the topic stems from the growth of online grocery retail (e-grocery) and the instability of stock: an out-of-stock item at order assembly causes revenue loss and lower customer loyalty, while the existing rule-based substitution logic ignores many significant factors. The aim of the work is the development and offline validation of a modernized ML subsystem for product-substitution recommendations intended to increase the share of accepted substitutions (Acceptance Rate) in the online retail of X5 Group. The following tasks were solved: – to analyze the e-grocery domain and existing approaches to substitute selection; – to diagnose the current substitution subsystem (AS-IS) and identify systemic bottlenecks; – to formulate requirements and design the target architecture (TO-BE); – to implement a ranking ML model and perform its offline validation; – to justify development directions and estimate the economic effect of modernization. Methods: TOGAF ADM, ISO/IEC/IEEE 42010, machine learning (gradient boosting for ranking, FAISS vector search), ranking metrics (NDCG, Accuracy, Recall, MRR, MAP), parametric estimation of the effect and investment efficiency (payback, NPV, ROI), and probability × impact risk analysis. Sources: X5 Group reports and scientific and technical literature on recommender systems and machine learning. As a result, the target architecture was designed and a ranking model trained; offline validation showed higher absolute ranking metrics than AS-IS (the comparison is indicative), and the economic assessment indicated a payback of about 6 months, an NPV of ≈ 136 million RUB and an ROI of ≈ 109 %. The results are applicable to X5 Group and scalable.