Известия Саратовского университета. Новая серия.

Серия: Экономика. Управление. Право

ISSN 1994-2540 (Print)
ISSN 2542-1956 (Online)


Для цитирования:

Трегубов В. Н., Славнецкова Л. В. Использование генеративного искусственного интеллекта для моделирования омниканальной торговой системы // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2026. Т. 26, вып. 3. С. 260-271. DOI: 10.18500/1994-2540-2026-26-3-260-271, EDN: DTXWGM

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 12)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
338.45
EDN: 
DTXWGM

Использование генеративного искусственного интеллекта для моделирования омниканальной торговой системы

Авторы: 
Трегубов Владимир Николаевич, Саратовский государственный технический университет им. Гагарина Ю. А.
Славнецкова Людмила Владимировна, Саратовский государственный технический университет им. Гагарина Ю. А.
Аннотация: 

Введение. В статье авторами выполнена систематизация актуальных научных исследований в сфере омниканальной торговли. Проведенный анализ показывает, что в современных условиях высокой конкуренции, чтобы оставаться по привлекательности на одном уровне с маркетплейсами, розничные магазины должны менять свою торговую политику и максимально удовлетворять ожиданиям покупателей, подстраивая свою деятельность под требования современного рынка. Теоретический анализ. Аналитический обзор актуальных публикаций позволяет авторам выделить ключевые области научных исследований и определить перспективные направления их дальнейшего развития. Авторами рассмотрена трансформация бизнес-моделей торговых организаций, формирование новых ключевых метрик оценки эффективности торгового бизнеса, методы интеграции онлайн- и офлайн-каналов, оптимизация методов доставки товаров на различных этапах логистического цикла и методы управления товарными запасами. Эмпирический анализ. Для создания информационной системы омниканального ритейла ключевым этапом выступает декомпозиция системы на отдельные классы. Модель предметной области отображается визуальным представлением данных классов или объектов, выраженных в терминах, соответствующих конкретной области знаний. Авторами с использованием технологий искусственного интеллекта разработана модель цифровой трансформации торговой системы для омниканальной торговли, обеспечивающая персонализацию и улучшение клиентского опыта. Результаты. В практической части выполнено проектирование информационной системы для «Универмага будущего». Представлена диаграмма классов, разработанная с использованием генеративного искусственного интеллекта. Она визуализирует архитектуру единой омниканальной платформы, внутри которой объединяются и синхронизируются все каналы продаж. В дальнейшем разработанная диаграмма классов может послужить основой для создания единой платформы, обеспечивающей бесшовный клиентский опыт в омниканальной системе.

Список источников: 
  1. Norton M. What do customers really want? // Mapping out marketing / ed. by R. Hill, C. Lamberton, J. Swartz. Abingdon, Oxon ; New York, NY : Routledge, 2018. С. 97–98.
  2. Трегубов В. Н., Славнецкова Л. В. Перспективные направления и мегатренды развития логистических технологий в будущем // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2025. Т. 25, вып. 2. С. 164–172. https://doi.org/10.18500/1994-2540-2025-25-2-164-172, EDN: OONOWY
  3. Король М. И. Омниканальная модель в FMCG: unit-экономика перехода из офлайна в онлайн // Journal of Monetary Economics and Management. 2025. № 8. С. 321–325. https://doi.org/10.26118/2782-4586.2025.53.36.092, EDN: OZUYRW
  4. Углов Д. А. Преимущества омниканальной стратегии развития электронной торговли в продуктовом ритейле // Экономика, предпринимательство и право. 2023. Т. 13, № 12. С. 5563–5580. https://doi.org/10.18334/epp.13.12.120222, EDN: YUACWE
  5. Lin X., Zhou Y.-W., Hou R. Impact of a “Buy-online-and pickup-in-store” channel on price and quality decisions in a supply chain // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 922–935. https://doi.org/10.1016/j.ejor.2020.03.064
  6. Park J., Dayarian I., Montreuil B. Showcasing optimi zation in omnichannel retailing // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 895–905. https://doi.org/10.1016/j.ejor.2020.03.081
  7. Wagner L., Pinto C., Amorim P. On the Value of Sub scription Models for Online Grocery Retail // Euro pean Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 874–894. https://doi.org/10.1016/j.ejor.2020.05.011
  8. Bayram A., Cesaret B. Order fulfillment policies for ship-from-store implementation in omni-channel retailing // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 987–1002. https://doi.org/10.1016/j.ejor.2020.01.011
  9. Kuhn H., Schubert D., Holzapfel A. Integrated order batching and vehicle routing operations in grocery retail – a general adaptive large neighborhood search algorithm // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 1003–1021. https://doi.org/10.1016/j.ejor.2020.03.075
  10. Strauss A., Gülpınar N., Zheng Y. Dynamic pricing of flexible time slots for attended home delivery // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 1022–1041. https://doi.org/10.1016/j.ejor.2020.03.007
  11. Arslan A. N., Klibi W., Montreuil B. Distribution net work deployment for omnichannel retailing // European Journal of Operational Research. 2021. Vol. 294, iss. 3. P. 1042–1058. https://doi.org/10.1016/j.ejor.2020.04.016
  12. Парфенов А. В., Ткач В. В. Логистические императивы формирования омниканальной модели оптовой торговли // Известия Санкт-Петербургского государственного экономического университета. 2020. № 2 (122). С. 116–121. EDN: EMTSIN
  13. Hübner A. H., Kuhn H., Sternbeck M. G. Demand and supply chain planning in grocery retail: An opera tions planning framework // International Journal of Retail & Distribution Management. 2013. Vol. 41, iss. 7. P. 512–530. https://doi.org/10.1108/IJRDM-05-2013-0104
  14. Еремеева Н. В., Панюкова В. В. Перспективные направления исследования розничной торговли: цифровизация и омниканальность // Экономические системы. 2020. Т. 13, № 4. С. 161–170. https://doi.org/10.29030/2309-2076-2020-13-4-161-170, EDN: OBXTBQ
  15. Комарницкая Е. В. Омниканальный маркетинг: digital-среда // Торговля и рынок. 2022. Т. 1, № 4 (64). С. 242–246. EDN: OZNRUN
  16. Миргородская О. Н., Иванченко О. В. Использование технологий искусственного интеллекта в маркетинговой деятельности зарубежных и российских ритейл-компаний // Вестник Ростовского государственного экономического университета (РИНХ). 2021. № 3 (75). С. 84–93. EDN: KWPQTQ
  17. Трегубов В. Н. Перспективные направления исследований использования генеративного искусственного интеллекта в маркетинге // International Journal of Open Information Technologies. 2024. Т. 12, № 5. С. 23–32. EDN: RNREUK
  18. Трегубов В. Р., Уманская М. В. Современные под ходы к маркетинговым исследованиям в экосистемах // Beneficium. 2025. № 2(55). С. 55–68. https://doi.org/10.34680/BENEFICIUM.2025.2(55).55-68, EDN: QGMTUQ
Поступила в редакцию: 
04.02.2026
Принята к публикации: 
15.03.2026
Опубликована онлайн: 
31.08.2026
Опубликована: 
31.08.2026