Система поддержки принятия решений для управления возвратами в электронной коммерции на основе алгоритма дождевых червей и нечеткого случайного леса

Статья посвящена исследованию возможностей применения методов интеллектуального анализа данных и биоинспирированных алгоритмов оптимизации при управлении возвратами товаров в электронной коммерции. В работе предлагается архитектура системы поддержки принятия решений (СППР), ориентированной на решение задач многокритериальной оптимизации возвратных маршрутов и классификацию причин возвратов. Показано, что применение биоэвристики позволяет формировать устойчивые и сбалансированные маршруты с учётом расстояния, времени и сложности логистической сети, а использование нечеткого случайного леса обеспечивает интерпретируемый анализ субъективных и неполных клиентских данных. Предложенная архитектура СППР демонстрирует высокую гибкость, масштабируемость и возможность интеграции с логистическими платформами и WMS -системами, обеспечивая комплексную поддержку процессов анализа возвратных потоков. Рассмотрена экономическая эффективность внедрения системы, включающая снижение логистических затрат, уменьшение числа необоснованных возвратов и повышение качества клиентского сервиса.

1. Эльканова Е. А. Развитие электронной коммерции как фактор использования современных подходов в логистических маршрутах // Вестник евразийской науки. – 2025. – Т. 17, № s4. [Электронный ресурс]. – URL: https://esj.today/PDF/33FAVN425.pdf.

2. S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, pp. 671–680, 1983.

3. M. Dorigo, V. Maniezzo, and A. Colorni, "Distributed Optimization by Ant Colonies," in Proc. Eur. Conf. Artif. Life (ECAL), pp. 134–142, 1991.

4. J. Kennedy and R. Eberhart, "Particle Swarm Optimization," in Proc. IEEE Int. Conf. Neural Netw., vol. 4, pp. 1942–1948, 1995.

5. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – № 15(3). – С. 76–93.

6. A. Thakur, D. Giri, S. Panda, and R. Usharani, "Optimizing Electric Vehicle Routing: A Statistical Analysis of ACO, GA, and SA Algorithms," Int. J. Eng. Res. Technol., vol. 13, no. 4, 2024.

7. G.-G. Wang and S. Deb, "Earthworm optimisation algorithm: a bio-inspired metaheuristic algorithm for global optimisation problems," Int. J. Bio-Inspired Comput., vol. 12, no. 1, pp. 1–22, 2018.

8. Булыгина О. В. Конструирование экономико-математических моделей многокритериальной оптимизации на основе гибридных метаэвристик // Прикладная информатика. – 2025. – Т. 20, № 3. – С. 66–84.

9. A. Mishra and P. Dutta, "Return management in e-commerce firms: A machine learning approach to predict product returns and examine variables influencing returns," J. Clean. Prod., vol. 477, p. 143802, 2024.

10. M. Farber, S. Novgorodov, and I. Guy, "Learning reasons for product returns on e-commerce," in Proc. 7th Workshop e-Commer. NLP, pp. 1–7, 2024.

11. Y. Ren, X. Zhu, and K. Bai, "A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees," IEEE Trans. Fuzzy Syst., vol. 31, no. 5, pp. 1729–1741, 2022.

12. Кириллова Е. А., Пучков А. Ю., Минин В. С., Ярцев Д. Д. Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 126–142.

13. Булыгина О. В., Ярцев Д. Д., Прокимнов Н. Н., Верейкина Е. К. Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 45–67.