Details

Цель исследования — сделать передовые аналитические инструменты доступными для предприятий малого и среднего бизнеса в сфере электронной коммерции. Для этого были определены аналитические функции, оказывающие наибольшее влияние на эффективность платформ, и разработана доступная система поддержки принятия решений на базе диалогового искусственного интеллекта (ИИ), предназначенная для пользователей без технической подготовки. Исследование проводилось на основе вторичных панельных данных четырех платформ электронной коммерции (Amazon, eBay, Shopify, Flipkart) и семи общедоступных наборов данных. Методы исследования: множественный регрессионный и корреляционный анализ показателей эффективности платформ; методология Design Science Research (исследование через проектирование) для разработки системы; тестирование юзабилити с использованием шкалы System Usability Scale (SUS). Основные результаты: в ходе кросс-платформенного анализа пяти гипотез (H1–H5) выявлена ​​наиболее сильная связь между рекомендациями ИИ и конверсией; разработана диалоговая ИИ-система с двумя режимами работы (на основе правил и с использованием API Claude); оценка системы десятью участниками показала средний балл SUS, равный 71,25, что соответствует целевому показателю приемлемости. Научная новизна заключается в проведении первой оценки на уровне пользователей аналитической системы с диалоговым ИИ, спроектированной и протестированной специально для целевой аудитории — сотрудников малых и средних предприятий электронной коммерции, не обладающих технической квалификацией. Выводы. Задачи диссертационного исследования решены, цель достигнута, а полученные результаты обладают признаками научной новизны.

The purpose of the research is to make advanced analytics accessible to small and medium e-commerce enterprises by quantifying which analytics capabilities most affect platform performance and by designing an accessible conversational AI decision support system for non-technical operators. The study was carried out on the basis of secondary panel data from four e-commerce platforms (Amazon, eBay, Shopify, Flipkart) and seven public e-commerce datasets. Research methods: multiple regression and correlation analysis of platform performance data, Design Science Research for system development, and usability testing with the System Usability Scale (SUS). The main results of the study: a cross-platform analysis of five hypotheses (H1–H5) found the strongest link between AI recommendations and conversion; a dual-mode conversational AI system (offline rule-based and Claude-API modes) was built; a ten-participant evaluation returned a mean SUS score of 71.25, meeting the acceptability target. The scientific novelty is the first user-level evaluation of a conversational AI analytics system designed and tested specifically with non-technical SME e-commerce operators as the target group. Conclusions. The tasks of the thesis have been solved, the goal has been achieved, and the results obtained have signs of scientific novelty.