Коротко: как написать ВКР по теме «Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.»
Выпускная работа по теме «Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции» в МТИ требует глубокого анализа бизнес-процессов, выбора архитектуры ИИ-модели, реализации прототипа и экономического обоснования. В статье — структура по ГОСТ 34.602-2020, примеры кода, чек-листы и типичные ошибки студентов. Всё, что нужно для самостоятельной работы — с возможностью поддержки эксперта.
Нужен разбор вашей темы Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
В 2025 году 68% пользователей интернет-магазинов принимают решение о покупке на основе персонализированных рекомендаций (источник: eMarketer, 2025). В России доля конверсии с рекомендательными системами выросла в среднем на 34% — особенно в категориях fashion и электроники (по данным РБК, 2025).
На практике студенты МТИ часто выбирают в качестве объекта анализа реальные платформы: Wildberries, Ozon, Яндекс.Маркет. Но акцент должен быть на дефицит персонализации — например, в региональных магазинах, где алгоритмы работают хуже.
Заметьте: не нужно писать «в современном мире». Достаточно одного факта — и сразу переход к проблеме. Например: «Wildberries использует коллаборативную фильтрацию, но не учитывает сезонность спроса в Улан-Удэ. Это снижает конверсию на 12%».
Цель и задачи
Цель ВКР: повышение конверсии интернет-магазина за счёт разработки и внедрения рекомендательной системы на основе машинного обучения.
Задачи:
- Проанализировать бизнес-процессы интернет-магазина (например, Ozon Краснодарский край)
- Построить модель "КАК ЕСТЬ" с использованием нотации BPMN 2.0
- Разработать модель "КАК ДОЛЖНО БЫТЬ" с интеграцией рекомендательного модуля
- Выбрать и обосновать стек технологий (Python, TensorFlow, Flask, PostgreSQL)
- Разработать прототип системы с обучением на открытом датасете (например, MS MARCO)
- Оценить экономическую эффективность внедрения (TCO, NPV, ROI)
По практике: научные руководители МТИ требуют, чтобы задачи соответствовали структуре методички — от анализа до экономики. Пропуск хотя бы одного этапа — частое замечание.
Объект и предмет исследования
- Объект: бизнес-процесс продаж в интернет-магазине «ТехноПрофи-Кубань» (реальное или условное название)
- Предмет: автоматизация рекомендательной функции на основе анализа поведения пользователей
Важно: объект — это процесс или организация, предмет — то, что вы автоматизируете. Не пишите: «Объект — рекомендательная система». Это ошибка.
Рекомендуемая структура дипломной работы
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Аналитическая глава (1) | 25–30 страниц |
| Проектная часть (2) | 30–40 страниц |
| Экономическая часть (3) | 15–20 страниц |
| Заключение | 2–3 страницы |
Пример введения для МТИ
В условиях роста конкуренции в сегменте электронной коммерции персонализация становится ключевым фактором удержания клиентов. В интернет-магазине «ТехноПрофи-Кубань» отсутствует система рекомендаций, что снижает средний чек на 23% по сравнению с конкурентами (данные Яндекс.Метрики за 2025 г.).
Целью выпускной квалификационной работы является разработка рекомендательной системы на основе алгоритмов машинного обучения для повышения конверсии и среднего чека. Объект исследования — процесс продаж в интернет-магазине, предмет — автоматизация рекомендаций товаров.
Задачи включают анализ существующей системы, проектирование архитектуры ИИ-модели, разработку прототипа и оценку экономической эффективности. Работа выполняется в соответствии с требованиями ГОСТ 34.602-2020 и методическими указаниями МТИ.
Этапы разработки информационной системы
Как написать заключение по Информационные системы и технологии
В ходе работы была проанализирована система продаж интернет-магазина «ТехноПрофи-Кубань», выявлены пробелы в персонализации. Разработан прототип рекомендательной системы на основе коллаборативной фильтрации с использованием библиотеки Surprise в Python.
Экономический расчёт показал срок окупаемости — 7 месяцев, NPV за 3 года составил 1,2 млн руб. Система повысила ожидаемую конверсию на 31%, средний чек — на 18%.
Работа доказала целесообразность внедрения ИИ-рекомендаций в региональных интернет-магазинах. Рекомендуется масштабирование на другие филиалы и интеграция с CRM.
Требования к списку литератууры МТИ
Список литературы оформляется по ГОСТ Р 7.0.100-2018. Обязательно включение:
- Официальной документации (TensorFlow, Flask)
- Статей из eLibrary и CyberLeninka
- Методичек МТИ
- Отчётов отраслевых ассоциаций (РАЭЦ, РАЭК)
Примеры источников:
- ГОСТ Р 34.602-2020. Информационная технология. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. — М.: Стандартинформ, 2020. — 24 с.
- Заболотная, А.В. Персонализация в e-commerce: алгоритмы и практика внедрения // Вестник МТИ. — 2024. — № 2. — С. 45–52. cyberleninka.ru
- TensorFlow Recommenders: Scalable and easy-to-use recommendation systems. tensorflow.org/recommenders
Застряли на этапе проектирования модели ИИ? Наши эксперты по Информационные системы и технологии помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
⚠️ Типичные ошибки при написании Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.
- Ошибка: Копирование кода без адаптации под ТЗ → Как проверить: Запустите на своём датасете. Если не работает — переделывайте.
- Ошибка: Общие фразы в актуальности → Решение: Замените на цифры из отчётов eMarketer, РБК, Data Insight.
- Ошибка: Несоответствие задач цели → Чек-лист: Каждая задача должна начинаться с глагола: «разработать», «проанализировать», «оценить».
- Ошибка: Использование устаревших библиотек → Решение: Актуальные версии: TensorFlow 2.15+, PyTorch 2.2+, Surprise 1.1.2.
- Ошибка: Отсутствие A/B тестирования в описании → Решение: Добавьте схему теста и метрики (CTR, conversion rate).
Частые вопросы по теме «Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.»
- В: Сколько страниц должна быть практическая часть? О: В МТИ обычно 40-60 стр., но смотрите методичку. Главное — чтобы был код, схемы и расчёты.
- В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей обязательны: обучение модели, предикт, интеграция с API.
- В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками вашего вуза. Минимум — 75%.
- В: Можно ли использовать open-source решения? О: Да, но с адаптацией. Например, fork проекта на GitHub с изменениями под ваш ТЗ.
- В: Нужна ли реальная организация? О: Да. Даже если магазин условный — данные должны быть реалистичными (из Яндекс.Метрики, Google Analytics).
Вопросы, которые часто задают студенты
Можно ли использовать готовые решения в ВКР?
Да, но с адаптацией. Например, можно взять open-source рекомендательную систему с GitHub, дообучить на другом датасете и изменить логику. Главное — показать вклад: что вы добавили, как оптимизировали, какие метрики улучшили.
Сколько страниц должна быть практическая часть?
В МТИ — от 40 до 60 страниц. В неё входят: архитектура системы, код, схемы (ER, UseCase), тестирование, инструкции. Если меньше — могут не допустить до защиты.
Можно ли использовать open-source решения?
Можно. Например, Surprise, LightFM, TensorFlow Recommenders. Но обязательно укажите: версию, лицензию, изменения. В приложении — ссылка на репозиторий и ваш fork.
✅ Чек-лист перед защитой Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.
- □ Все задачи из введения выполнены и отражены в заключении
- □ Код/схемы соответствуют ТЗ и методичке МТИ
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Экономический расчёт содержит реальные данные, а не шаблоны
- □ В приложениях есть фрагменты кода, скриншоты интерфейса, результаты тестов
- □ Диаграммы BPMN, ER, UseCase подписаны и описаны в тексте
Нужна помощь с защитой Разработка рекомендательной системы на основе искусственного интеллекта для электронной коммерции.?
Наши эксперты — практики в сфере Информационные системы и технологии. Подготовим работу с глубоким анализом, реальными примерами и расчётами, готовую к защите в МТИ.
Что вы получите: соответствие методичке вуза, гарантию оригинальности от 75%, сопровождение до защиты.
Ответим в течение 10 минут. Консультация бесплатна.