Аннотация: Объект исследования - процесс оптимизации персонализированных скидок в магазине одежды. Предметом - методы обучения с подкреплением, в частности алгоритм Double DQN, для выбора оптимального размера скидки, максимизирующего долгосрочную прибыль от клиента. Цель работы - разработка и исследование алгоритма оптимизации персонализированных скидок на основе Double DQN, максимизирующего совокупную дисконтированную прибыль от клиента (Customer Lifetime Value, CLV). Для достижения цели выполнены формализация задачи оптимизации скидок в рамках марковского процесса принятия решений, разработка стохастической модели поведения клиента с четырьмя типами, реализация алгоритма Double DQN с механизмами стабилизации обучения (Prioritized Experience Replay, мягкое обновление целевой сети, Gradient Clipping), экспериментальное сравнение с девятью базовыми методами оптимизации скидок, а также статистический анализ результатов с использованием t-теста Уэлча и d Коэна. Методы исследования. Теоретическую базу составили теория марковских процессов принятия решений (Беллман, Саттон и Барто), Q-обучение (Уоткинс), глубокое обучение с подкреплением (Мних, Ван Хасселт, Шауль), стохастическая аппроксимация (Роббинс–Монро) и статистические методы (Коэн, Уэлч). Программная реализация выполнена на языке Python с использованием библиотек PyTorch, NumPy, SciPy. Вычислительный эксперимент проведён на симулированной клиентской базе. Научная новизна. Заключается в предложенной комбинации алгоритма Double DQN с Prioritized Experience Replay для задачи персонализированного выбора скидок в многотоварной среде, а также в разработанной модели клиента, включающей тип с нестационарными характеристиками (Смешанный тип). Практическая значимость подтверждена экспериментально: алгоритм обеспечивает прирост CLV от 4,3% (для лояльных клиентов) до 625,8% (для чувствительных к цене) по сравнению с лучшими базовыми методами. Статистическая значимость превосходства подтверждена для всех типов клиентов (p < 0,05). Результаты могут быть интегрированы в CRM-систему ритейлера для автоматизации назначения скидок. Предложения и рекомендации по оптимизации предмета и объекта. Рекомендуется расширить пространство состояний за счёт учёта сезонности и внешних факторов спроса, применить распределённые методы оценки ценности (C51, QR-DQN) для снижения дисперсии доходов, реализовать многоагентное обучение для одновременной работы со всеми клиентами, провести тестирование на реальных данных ритейлера, а также исследовать возможность применения методов Policy Gradient (PPO, SAC) для
непрерывного пространства скидок.
Сунгатуллин Р. Р. Разработка и математическое моделирование алгоритма персонализированных скидок для удержания клиентов в многотоварной среде магазина одежды / Р. Р. Сунгатуллин. - Иваново, 2026. - 100 с.