Використання штучного інтелекту та Big Data в електронній комерції: персоналізований маркетинг Netflix

Abstract

UK: Стаття присвячена аналізу використання Big Data та алгоритмів машинного навчання для персоналізації маркетингу в електронній торгівлі на прикладі Netflix. Розглянуто особливості процедур збору та обробки по-ведінкових, транзакційних і контентних даних, що формують єдиний профіль користувача. У статті визначено патерни активного, пасивного й латентного споживання. Проаналізовано архітектуру аналітики Netflix із ви-користанням розподілених систем для обробки великих наборів даних у режимі реального часу, а також засто-сування гібридних моделей глибинного навчання для рекомендацій і динамічної адаптації контенту. Окреслено етичні та регуляторні ризики, пов’язані з конфіденційністю та ефектом інформаційної бульбашки. Зазначено, що впровадження аналітики Big Data забезпечує підвищення залученості користувачів і сталий розвиток ком-паній на глобальному ринку та ефективна взаємодія між аналітичними технологіями, регуляторними вимогами та етичними принципами формує основу стійкого розвитку цифрових платформ.

EN: The article is devoted to the analysis of the Big Data concept, consumer behavior analytics, and personalization in e-commerce using Netflix as a case study. It identifies the main directions of Big Data application in digital marketing, including the collection, integration, and processing of behavioral, transactional, socio-demographic, and content data that form the basis for building a unified user profile. The types of behavioral signals (active, passive, and latent consumption) are considered, along with the role of micro-interactions and temporal patterns in determining user activity. The architecture of Netflix’s Big Data analytics is analyzed, including the use of distributed data storage systems (Apache Spark, Presto, Cassandra) and real-time stream processing technologies. It is shown that building a scalable analytical infrastructure enables personalized content recommendations and real-time marketing decision-making. The role of machine learning algorithms in individualizing user experience is highlighted, ranging from similarity-based filtering systems to hybrid neural models that account for cognitive and emotional behavioral markers. Special attention is given to dynamic personalization of marketing materials (adapting covers, trailers, and descriptions using Generative Adversarial Networks) as well as automated A/B/N testing aimed at improving LTV, CTR, and user retention. The paper discusses the risks and limitations of personalized marketing, including privacy concerns, algorithmic inertia, and the formation of “information bubbles.” It is noted that an effective personalization strategy requires balancing recommendation relevance and content diversity. In conclusion, the study emphasizes that the implementation of Big Data analytics and intelligent personalization systems creates prerequisites for sustainable business development in the global market, enhances user engagement, and provides competitive advantages. Practical recommendations are proposed to improve analytical infrastructure, optimize personalization algorithms, and increase the transparency of marketing decisions in a multichannel environment.