Модели искусственного интеллекта для персонализации сервисов и оптимизации маркетинга АО «Air Astana»

Цель исследования: Исследование направлено на разработку персонализированных цифровых предложений для Air Astana с использованием искусственного интеллекта и методов машинного обучения с целью усиления уникальных конкурентных преимуществ – высокого качества сервиса и транзитной сети – и оценки их влияния на маркетинговую эффективность в 2010–2024 годах.

Методология: Применены системный и сравнительный анализ, экономико-математическое моделирование и социологическое интервьюирование. Использованы алгоритмы AI – collaborative filtering, content-based filtering, uplift modeling и reinforcement learning – для прогнозирования поведения потребителей и оптимизации персонализации.

Оригинальность/Научная новизна: Работа представляет собой первое комплексное исследование в авиационной отрасли Казахстана, демонстрирующее, что использование AI в персонализации способствует повышению конкурентоспособности Air Astana и эффективности маркетинговых инвестиций.

Результаты: Разработанные модели повысили отклик цифровых кампаний на 15% и сократили маркетинговые расходы на 20%. Проверка показала высокую статистическую значимость (R² = 0,902).

1. Chatterjee S., Rana N. P., Tamilmani K., Sharma A. The future of artificial intelligence in marketing: A systematic review // Journal of Business Research. – 2021. – Vol. 124. – P. 336–352. – DOI: 10.1016/j.jbusres.2020.11.041.

2. Bughin J., Seong J., Manyika J., Chui M., Joshi R. Notes from the AI frontier: Modeling the impact of AI on the world economy. – McKinsey Global Institute, 2018.

3. Guerrini A., Ferri G., Rocchi S., Cirelli M., Piña V., Grieszmann A. Personalization @ scale in airlines: Combining the power of rich customer data, experiential learning, and revenue management // Journal of Revenue and Pricing Management. – 2023. – Vol. 22, № 2. – P. 171–180. – DOI: 10.1057/s41272-022-00404-8.

4. Devriendt F., Van Belle J., Guns T., Verbeke W. Learning to rank for uplift modeling // IEEE Transactions on Knowledge and Data Engineering. – 2022. – Vol. 34, № 10. – P. 4888–4904. – DOI: 10.1109/TKDE.2022.3153950.

5. Pazzani M. J., Billsus D. Content-based recommendation systems // In: The Adaptive Web. – Berlin: Springer, 2007. – P. 325–341. – DOI: 10.1007/978-3-540-72079-9_10.

6. Bobadilla J., Ortega F., Hernando A., Gutierrez A. Recommender systems survey // Knowledge-Based Systems. – 2013. – Vol. 46. – P. 109–132. – DOI: 10.1016/j.knosys.2013.03.012.

7. Jo H., Moon I., Rhee B. Dynamic pricing in airline revenue management using reinforcement learning // Expert Systems with Applications. – 2024. – Vol. 233. – Art. 120857. – DOI: 10.1016/j.eswa.2023.120857.

8. Olaya-Contreras D., Suárez-Andrés J., & García-Núñez J. A survey and benchmarking study of multitreatment uplift modelling // Data Mining and Knowledge Discovery. – 2020. – Vol. 34, No 5. – P. 1303–1336. – DOI: 10.1007/s10618-020-00702-y

9. Radcliffe N. J., Surry P. D. Uplift Modelling: Literature Survey and Experimental Evaluation // Big Data. – 2017. – Vol. 5, No 4. – P. 273–290. – DOI: 10.1089/big.2016.0074

10. Chandra S., Verma S., Lim W. M., Kumar S., Donthu N. Personalization in personalized marketing: Trends and ways forward // Psychology & Marketing. – 2022. –Vol. 39, No 8. – P. 1529-1562. – DOI: 10.1002/mar.21670.

11. Kapoor A., Dwivedi Y. K., Piercy N. Artificial intelligence in marketing: Evolution, challenges, and opportunities // European Journal of Marketing. – 2022. – Vol. 56, № 3. – P. 853–880. – DOI: 10.1108/EJM-12-2021-1009.

12. Alfaifi Y.H., Hasanain F., Ramayah T. Recommender Systems Applications: Data Sources, Features, Challenges and Future Trends // Information. – 2024. – Vol. 15, No. 10, Article 660. – DOI: 10.3390/info15100660.

13. Aksoy N., Kabadayı E., Yılmaz C., Koçak Alan A. A Typology of Personalisation Practices in Marketing in the Digital Age // Journal of Marketing Management. – 2021. – Vol. 37, No. 11-12, – P. 1091-1122. – DOI: 10.1080/0267257X.2020.1866647

14. Jannach D., Jugovac M. Measuring the Business Value of Recommender Systems // ACM Transactions on Management Information Systems. – 2019. – Vol. 10, No. 4, Article 1. – DOI: 10.1145/3370082.

15. Zangerle E., Bauer C. Evaluating recommender systems: Survey and framework // ACM Computing Surveys. –2023. – Vol. 55, No 8: Article 170, 1-38 pp. – DOI: 10.1145/3556536.