УДК 004
DOI: 10.36871/26189976.2026.04-2.018

Авторы

Елена Александровна Маркушевская,
Доцент кафедры фундаментальной информатики и искусственного интеллекта, Волгоградский Государственный университет, Волгоград, Россия
Хута Айсаевна Бачаева,
Ассистент кафедры прикладной математики и компьютерных технологий, Чеченский государственный университет имени А.А. Кадырова
Людмила Алиевна Хутова,
Кандидат экономических наук, доцент кафедры Финансы и кредит, Северо-Кавказская государственная академия, Черкесск, Россия

Аннотация

В настоящее время приложения искусственного интеллекта (ChatGPT, Google Gemini, Microsoft Copilot и т. д.) используются практически во всех областях, в том числе в научных исследованиях. С помощью приложений искусственного интеллекта можно выполнять поиск в литературе, редактирование текста, подготовку или написание текстового черновика, создание набора данных, создание визуального или графического дизайна, анализ данных, языковой перевод и корректуру, мозговой штурм или разработку идей. Исследования, проводимые по этой теме, и научные работы, в которых используются приложения искусственного интеллекта, с каждым днём становятся всё более многочисленными. В статье проводится сравнительный анализ трёх алгоритмов искусственного интеллекта, применяемых для решения задачи прогнозирования оттока клиентов, которая является одной из ключевых проблем в области управления взаимоотношениями с клиентами, поскольку своевременное выявление клиентов с высокой вероятностью прекращения сотрудничества позволяет компаниям принимать упреждающие меры по их удержанию, снижая тем самым потери выручки и затраты на привлечение новых клиентов. На основе синтеза положений теории маркетинга, машинного обучения и анализа данных автором рассматриваются три алгоритма, представляющие различные классы методов: логистическая регрессия, случайный лес и градиентный бустинг (XGBoost). Для каждого алгоритма описываются теоретические основы, ключевые гиперпараметры, влияющие на качество прогнозирования, а также достоинства и ограничения применительно к задаче прогнозирования оттока.

Ключевые слова

прогнозирование оттока
машинное обучение
логистическая регрессия
случайный лес

Список литературы

[1] Аюпов Р.Х., Бикташев Р. Р. Сравнительный анализ алгоритмов машинного обучения для прогнозирования оттока клиентов // Искусственный интеллект и принятие решений. — 2022. — № 3. — С. 45–62.

[2] Воронцов К. В. Математические методы обучения по прецедентам / К. В. Воронцов. — М.: МЦНМО, 2020. — 432 с.

[3] Киттлер Дж. Машинное обучение: алгоритмы и их реализация / Дж. Киттлер. — СПб.: Питер, 2021. — 576 с.

[4] Лесин В.В., Лисовец Ю. П. Основы методов машинного обучения / В. В. Лесин, Ю. П. Лисовец. — СПб.: Издательство СПбГУ, 2020. — 312 с.

[5] Смирнов Д.А., Козлова М. И. Прогнозирование оттока клиентов в телекоммуникационной отрасли: обзор методов // Прикладная эконометрика. — 2023. — № 2. — С. 34–51.

[6] Флах П. Машинное обучение: наука и искусство построения алгоритмов / П. Флах. — М.: ДМК Пресс, 2019. — 400 с.

[7] Морозов В.П. A/B-тестирование в электронной коммерции: методы повышения конверсии / В. П. Морозов. — М.: ДМК Пресс, 2023. — 256 с.

[8] Морозов Д.А., Федотов Н. С. Методика оценки экономической эффективности внедрения BIM в проектных организациях // Экономика строительства. — 2023. — № 2. — С. 34–49.

[9] Петрова Н.В., Соколов Д. А. Оценка возврата инвестиций при внедрении информационного моделирования // Информационные технологии в строительстве. — 2023. — № 4. — С. 45–58.

[10] Сергеев А.Н., Кузьмина Е. В. Сравнительный анализ программных продуктов для информационного моделирования зданий // Информационные технологии и вычислительные системы. — 2023. — № 4. — С. 56–72.