##plugins.themes.bootstrap3.article.main##
Анотація
У статті розглядається застосування методів науки про дані для ціноутворення та поглибленої сегментації на ринку експрес-доставки. Огляд літератури зі згаданого питання показав, що хоч питання ціноутворення та сегментації клієнтів є актуальним для багатьох сфер економіки, однак їх роль в експрес-доставці й досі не аналізувалась. На підставі існуючих методів ціноутворення доставки було запропоновано перехід від аналітичної до розширеної моделі, що ґрунтується на науці про дані. Головним підходом, який уможливлює такий перехід була визначена заміна коефіцієнтів, які вираховуються аналітиком на масив даних, звідки модель на основі штучного інтелекту навчається. Це спрощує ціноутворення, оскільки відкидає потребу в складних обчисленнях та дозволяє автоматизувати процес врахування залежностей та адаптації до ринкових змін.
В рамках дослідження було проаналізовано роль науки про дані в оптимізації логістики, ланцюгів постачання та аналізі управління доставкою. Це уможливило виявлення факторів ціноутворення на ринку експрес-доставки, таких як вартість логістики, попит на доставку, терміни доставки, ціни встановлені конкурентами й перевізниками та способи упаковки посилок. На основі отриманих результатів було сформовано підходи та рекомендації щодо застосування методів науки про дані для ціноутворення та поглибленої сегментації на ринку експрес-доставки. Ключовою рекомендацією до застосування науки про дані в доставці було визначено інтеграцію алгоритмів штучного інтелекту в процес аналізу даних.
Перспективи наступних досліджень полягають в порівнянні принципів сегментації та ціноутворення в експрес-доставці на основі науки про дані та аналізі великих даних (Big data analysis). Це дозволить визначити практичні відмінності у моделях, що ґрунтуються на фокусуванні на макрорівні та мікрорівні.
##plugins.themes.bootstrap3.article.details##
Посилання
2. M. H. Shevchenko, “Ekosystema innovatsiy u lohistytsi”. Grail of science, no. 61, s. 152–157, 2026, doi: https://doi.org/10.36074/grail-of-science.23.01.2026.014
3. S. Gupta and A. Seetharaman, “Customer segmentation using a knowledge-based framework and genetic algorithms”. Information Sciences, vol. 165, no. 3, pp. 249–269, 2004.
4. H. Hamidi and B. Haghi, “An approach based on data mining and genetic algorithm to optimizing time series clustering for efficient segmentation of customer behavior”. Computers in Human Behavior Reports, vol. 16, pp. 100520, 2024, doi: https://doi.org/10.1016/j.chbr.2024.100520
5. G. Wang, “Customer segmentation in the digital marketing using a Q-learning based differential evolution algorithm integrated with K-means clustering”. PLOS One, vol. 20, no. 2, pp. 1–21, 2025, doi: https://doi.org/10.1371/journal.pone.0318519
6. Y. Zheng, “Customer segmentation research in marketing through clustering algorithm analysis”. Journal of Intelligent & Fuzzy Systems, vol. 45, no. 4, pp. 5441–5448, 2023, doi: https://doi.org/10.3233/jifs-232589
7. C. Rungruang, P. Riyapan, A. Intarasit, K. Chuarkham and J. Muangprathub, “RFM model customer segmentation based on hierarchical approach using FCA”. Expert Systems with Applications, vol. 237, pp. 1–20, 2024, doi: https://doi.org/10.1016/j.eswa.2023.121449
8. I. V. Perevozova, I. S. Zemlyakov and V. M. Shayban, “Alhorytmy personalizatsiyi kontentu u veb-marketynhu yak chynnyk pidvyshchennya konversiyi internet-prodazhiv”. Akademichni viziyi, no. 24, 2023, doi: http://dx.doi.org/10.5281/zenodo.13710085
9. V. Stamat and A. Skoruk, “Sehmentatsiya tsilovoyi audytoriyi yak vazhlyvyy etap marketynhu na rynku hotelno-restorannoho biznesu”. Modern economics, no. 35, s. 112–117, 2022, doi: https://doi.org/10.31521/modecon.v35(2022)-17
10. V. Kotu and B. Deshpande, Data Science: Concepts and Practice. Elsevier Sci. Technol. Books, 2018.
11. Y. Deng and Q. Gao, “A study on e-commerce customer segmentation management based on improved K-means algorithm”. Information Systems and e-Business Management, vol. 18, no. 4, pp. 497–510, 2020, doi: https://doi.org/10.1007/s10257-018-0381-3
12. E. Y. L. Nandapala and K. P. N. Jayasena, “The practical approach in Customers segmentation by using the K-Means Algorithm”. 2020 IEEE 15th Int. Conf. Ind. Inf. Syst. (ICIIS), Rupnagar, India, 26–28 November 2020, doi: https://doi.org/10.1109/iciis51140.2020.9342639
13. G. Baryannis, S. Validi, S. Dani and G. Antoniou, “Supply chain risk management and artificial intelligence: state of the art and future research directions”. International journal of production research, vol. 57, no. 7, pp. 2179–2202, 2018, doi: https://doi.org/10.1080/00207543.2018.1530476
14. A. Ranjbari, C. Diehl, G. Dalla Chiara and A. Goodchild, “Do parcel lockers reduce delivery times? Evidence from the field”. Transportation Research Part E: Logistics and Transportation Review, vol. 172, pp. 103070, 2023, doi: https://doi.org/10.1016/j.tre.2023.103070
15. S. Singh and та S. Srivastava, “Review of Clustering Techniques in Control System”. Procedia Computer Science, vol. 173, pp. 272–280, 2020, doi: https://doi.org/10.1016/j.procs.2020.06.032