Разработка общей верхнеуровневой архитектуры цифрового сервиса персонализированного питания как конкурентного преимущества в условиях пандемии коронавируса

Автор: Карапузов Максим Юрьевич

Журнал: Экономический журнал @economicarggu

Рубрика: Мировая экономика

Статья в выпуске: 3 (63), 2021 года.

Бесплатный доступ

В данной статье рассматриваются теоретические вопросы, связанные с возможностями внедрения и использования цифровых сервисов персонализированного питания в условиях пандемии COVID-19. Рассмотрены актуальные проблемы российского рынка продуктового ритейла, а также современные тренды изменения потребительских предпочтений. Описаны преимущества ориентации ритейлеров на удовлетворение потребностей клиентов в персонализированном и здоровом питании. вариант общей архитектуры цифрового персонализированного питания, дана характеристика архитектуры, дана классификация источников данных для построения индивидуальных планов питания. Сделан вывод о возможностях для продуктовых ритейлеров в области получения конкурентных преимуществ благодаря внедрению цифровых сервисов по персонализации питания.

Еще

Персонализированное питание, цифровые сервисы, персонализированные сервисы, архитектура, covid-19

Короткий адрес: https://sciup.org/149141017

IDR: 149141017

Текст научной статьи Разработка общей верхнеуровневой архитектуры цифрового сервиса персонализированного питания как конкурентного преимущества в условиях пандемии коронавируса

РАЗРАБОТКА ОБЩЕЙ ВЕРХНЕУРОВНЕВОЙ АРХИТЕКТУРЫ ЦИФРОВОГО СЕРВИСА

ПЕРСОНАЛИЗИРОВАННОГО ПИТАНИЯ КАК КОНКУРЕНТНОГО ПРЕИМУЩЕСТВА В УСЛОВИЯХ ПАНДЕМИИ КОРОНАВИРУСА

M.Yu. Karapuzov

Developing a Common High-Level Architecture for a Digital Personalized Nutrition Service as a Competitive Advantage in a Coronavirus Pandemic

Введение режима самоизоляции и распространение коронавируса привело к значительному снижению экономической активности в стране: ВВП России в целом за 2020 г. сократился на 3,1 %, что является сильнейшим спадом с 2009 г. Кризис привел к снижению совокупного спроса, нарушению экономических и логистических цепочек, снижению покупательской способности населения, что негативно сказалось на рынке продуктового ритейла.

Сокращение доходов покупателей вынудило розничные сети снизить наценку, следствием чего является снижение маржинальности. Одновременно с этим по причине кризиса закрылись ряд оптовых компаний, что послужило росту закупочных цен. К тому же, из-за коронавирусных ограничений увеличилась себестоимость производства, а поставки возросли в цене. Учитывая небольшую операционную рентабельность продуктового ритейла, перед компаниями остро встает вопрос оптимизации операционных процессов.

Еще одним вызовом для продуктовых ритейлеров стало резкое изменение поведения потребителей. С введением режима самоизоляции потребители стали реже ходить в магазины и активнее используют цифровыее технологии для совершения повседневных действий. Растет число онлайн-покупок, развивается бесконтакт- 50

ная доставка товаров, потребители реже совершают покупки, но их средний чек растет1. С началом принятия ограничительных мер произошел взрывной рост онлайн-заказов на доставку питания: рынок экспресс-доставки вырос более чем в 40 раз, за первые 6 месяцев 2021 г. онлайн-продажи продуктов питания выросли на 150 % по сравнению с аналогичным периодом 2020 г2.

Тренд на онлайн-шоппинг, вероятно, сохранится и после окончания пандемии. По данным исследования Роскачества и НАФИ, 13 % российских потребителей впервые попробовали доставку продуктов во время пандемии и 71 % продолжат пользоваться сервисами доставки и после нормализации эпидемиологической ситуации3.

Пандемия ускорила тренд роста популярности здорового питания, так как потребители стали больше уделять внимание здоровью и отдавать предпочтения полезным продуктам. В мире 76 % потребителей планируют изменить свои пищевые привычки в сторону более полезных для здоровья под влиянием пандемии COVID-194.

Исследования показывают растущий интерес российских потребителей к теме персонализированного питания. Согласно опросу, проведенному компанией «Эфко» и проектом «Едим лучше», 43 % опрошенных готовы тратить дополнительные средства на индивидуализированное питание, при условии, что бюджет на продукты не будет сильно превышен, а 20 % респондентов готовы выделить на персонализацию любые деньги, потому что от качества питания напрямую зависит здоровье5.

Готовность потребителей платить больше за здоровые продукты и персонализацию, развитие популярности формата онлайн предоставляют компаниям возможности роста и получения конкурентных преимуществ. Удовлетворение потребности клиентов в персонализации в современных условиях становится конкурентным преимуществом: 80 % покупателей с большей вероятностью совершат покупку у того продавца, который предложит им персонализированный опыт6.

Один из способов, при котором продуктовые ритейлеры используют данные о клиентах в качестве источника конкурентного преимущества, заключается в персонализации процесса покупок. Розничные торговцы могут использовать информацию о клиентах в режиме реального времени и предлагать клиентам персонализированные рекомендации по продуктам и услугам. Обработка данных в режиме реального времени, может улучшить персонализацию и сделать взаимодействие с клиентами более интерактивным7. Объединение потоков данных из нескольких источников может оказаться особенно полезным и иметь синергетический эффект.

Основными направлениями развития персонализации питания являются создание интегрированных платформенных решений, создание сервисов для узких групп потребителей, интеграцию сервисов персонализированного питания в систему здравоохранения. Возникают персонализированные цифровые сервисы по рекомендации питания, начиная от добавок и заканчивая полноценными планами питания. Такие сервисы различаются по данным, используемых для определения персональных особенностей, и по технологиям, заложенным в основе работы цифровых сервисов. Для предоставления персональных рекомендаций по питанию могут быть использованы данные, указанные в таблице 1.

Таблица 1

Входные данные, используемые цифровыми сервисами для формирования персональных рекомендаций по питанию.

Категория данных

Пример данных

Методы сбора данных

Демографические данные

  • •    Возраст

  • •    Пол

Физиологические данные

  • •    Рост

  • •    Вес

  • •    Наличие беременности

  • •    Наличие заболеваний

Информация об образе жизни

  • •    Уровень физической активности

  • •    Цели

  • •    Готовность изменить пищевое поведение

Предпочтения клиента

  • •    Вкусы и предпочтения

  • •    Переносимость веществ

  • •    Отношение к вегетарианству

  • •    Религиозные убеждения

  • •    Режим питания

Данные       от

устройств

  • •    Показатели из приложений на смартфоне

  • •    Показатели из фитнес-браслетов

  • •    Показатели из иных носимых устройств

Получение данных от устройств

Медицинские данные

  • •    Анализ крови

  • •    Анализ микробиоты

  • •    Генетический анализ

  • •    Анализ дыхания

Исследования биомаркеров в лабораториях или с помощью портативных устройств

Данные о покупках

  • •    История покупок

  • •    Обратная связь о продуктах

Получение данных о транзакциях из БД компании

База продуктов и блюд

  • •    Список продуктов

  • •    Список блюд и ингредиентов

  • •    Список рецептов

Получение данных из БД компании, поиск информации в интернете

Здоровое питание

  • •    Рекомендации по здоровому питанию

  • •    Целевые значения показателей по здоровью

  • •    Информация о влиянии питательных веществ на состояние здоровья

Получение данных из БД компании, поиск информации в интернете, внешние БД

Таким образом, согласно рассмотренной в таблице 1 классификации цифровые сервисы по рекомендации персонального питания могут подразделяться на следующие типы:

  • 1.    сервисы на основе анкетирования и обратной связи;

  • 2.    сервисы на основе анализа медицинских данных;

  • 3.    сервисы на основе анализа данных о покупках;

  • 4.    сервисы на основе анализа комбинированных данных.

На рисунке 1 представлена возможная архитектура персонализированного цифрового сервиса, основанного на анализе комбинированных данных. Модель включает в себя ряд уровней, сосредоточенных вокруг ядра системы – движка на основе искусственного интеллекта (ИИ-движок)8.

Первый уровень содержит источники и инструменты сбора данных, которые являются входом для разработки персональных рекомендаций по питанию (таблица 1). На этом уровне система собирает информацию из различных источников и агрегирует их в едином месте. Объединение нескольких источников позволит сформировать более полный профиль клиента. Помимо информации о здоровье и питании покупателя, аккумулируются сведения о наличии и полезных свойствах продуктов и их ингредиентов в соответствии с набором рекомендаций по правильному питанию, а также о рецептах приготовления блюд из доступных ингредиентов. В результате на этом уровне создается цифровой двойник покупателя в части здоровья и питания.

На втором уровне система обрабатывает собранную информацию и применяет ряд фильтров для сужения базы продуктов и блюд, оставляя только те из них, которые соответствуют персональным особенностям клиента. Применяя фильтры, такие как пол и возраст, рост и вес, вкусы и предпочтения, культурные особенности и идеология (таблица 1), общий набор доступных продуктов питания будет сокращен до меньшего подмножества. При этом в отфильтрованном наборе продукты ранжируются по степени соответствия индивидуальным особенностям клиента.

На третьем уровне движок на основе искусственного интеллекта формирует из отфильтрованной базы продуктов и блюд индивидуальный план питания. Движок будет использоваться в основном для поддержки принятия решений о планировании питания и покупке продуктов на основе входного набора данных о здоровье и питании клиента. На этом уровне возможна интеграция с медицинскими базами данных, которые содержат информацию о рекомендации по здоровому питанию, о показателях по здоровью и биомаркерах, а также сведения о влиянии питательных веществ на состояние здоровья, что позволит повысить точность сервиса персонализации. ИИ-движок состоит из алгоритма оптимизации и целевой функции.

Сервис обработки

Приложение отслеживания

Уровень активности

Показатели здоровья

Рис. 1. Общая верхнеуровневая архитектура рекомендательного сервиса по персональному питанию.

предварительной обработки

Сервис изменения плана литания

ИИ движок

персональных рекомендаций

Интерфейс поил ожени я

Сервис доставки продуктов

Приложения онлайн доставки продуктов

Интеграция Е.

Приложение для работы с рекомендациями

Сервис получения персональных рекомендаций

На настоящий момент в научной литературе описан ряд методов оптимизации, первый из которых относятся к использованию линейного программирования9. Затем методы оптимизации получили развитие в применении моделей смешанного целочисленного линейного программирования10, генетических алгоритмы и нечет- кой логики для составления планов питания11. В современных рекомендательных системах применяются более сложные и комплексные подходы объединения нескольких экспертных систем на основе биоинспирированных алгоритмов12, таких как рой частиц, рой кошек, поиск волков13.

Любой процесс оптимизации нуждается в целевой функции, конечной цели, на достижение которой направлены изменения в рационе питания. Эти цели могут включать снижение или набор веса, поддержание текущего состояния здоровья, снижение артериального давления, меры предосторожности против заболеваний, связанных с питанием (таких как преддиабетические состояния, высокое кровяное давление, дислипидемия), и улучшение физической формы. Разработка движка искусственного интеллекта требует формализации этих целевых функций. Один из подходов заключается в выборе рецептов, продуктов питания и размеров порций на основе баланса массы и энергии в соответствии с рекомендациями по ежедневному потреблению (RDI) макро- и микроэлементов. Альтернативный подход, используемый для систем на основе нейронных сетей глубокого обучения, подразумевает обучение системы на реальных данных, включающим разработанные диетологами меню для конкретных пациентов или групп населения14.

На четвертом уровне система представляет сформированный индивидуальный план питания клиенту. При этом клиент может внести изменения в план питания, заменив определенные блюда или ингредиенты на альтернативные. На этом уровне система также предлагает список продуктов, которые соответствуют критериям здорового питания. Здесь возможна интеграция с сервисами онлайн-доставки еды и продуктов.

На пятом уровне находятся инструменты и методы сопровождения персонального питания. Здесь могут использоваться различные носимые устройства и девайсы для анализа показателей здоровья и питания, что позволит собирать данные для корректировки плана питания в режиме реального времени. Такая интеграция не только повысит потенциальную точность прогнозов двигателя искусственного интеллекта, но и сократит ручной ввод данных15. Например, если достигается больший или меньший, чем ожидалось, уровень физической нагрузки, может быть изменен размер порции, могут быть заменены или добавлены продукты и рецепты.

В ближайшем будущем сервисы по персонализации питания будут являться частью цифровой экосистемы по удовлетворению пищевых потребностях населения в сочетании с технологиями интернета вещей, обработки больших данных, сетью 5G, искусственным интеллектом16. Персональное питание будет плотно интегрировано с медициной, что позволит направить питание не только на удовлетворение потребности людей в пище, но и на предупреждения развития болезней и продление жизни.

Таким образом, новые привычки потребителей вынуждают ритейлеров адаптироваться к современным реалиям и менять подход к традиционной модели ведения бизнеса. Катализатором преобразований выступила пандемия коронавируса, оказавшая существенное влияние на рынок продуктовой розничной торговли. Учитывая высокую конкуренцию в отрасли и снижение эффективности от традиционных методов увеличения роста, применение цифровых сервисов по персонализации питания открывает возможности для приобретение конкурентного преимущества в борьбе за потребителя, позволяя добиться максимального угадывания потребности клиентов и существенно повышая их уровень удовлетворенности. Быстрая адаптация в новых условиях изменяющихся предпочтений потребителей может решить вопрос увеличения продаж без существенного повышения цен на продукты.

Список литературы Разработка общей верхнеуровневой архитектуры цифрового сервиса персонализированного питания как конкурентного преимущества в условиях пандемии коронавируса

  • 43% россиян готовы выделить дополнительные деньги на персонализированное питание // Едим лучше [Электронный ресурс] // Режим доступа: https://eatingbetter.ru/blog/personalized-nutrition (дата обращения: 11.10.2021).
  • Интернет-продажи продуктов выросли за полгода почти втрое // РБК [Электронный ресурс] // Режим доступа: https://www.rbc.ru/business/01/09/2021/612e17489a79475c9299e0d5 (дата обращения: 25.09.2021).
  • Падение экономики России из-за пандемии стало максимальным за 11 лет // РБК [Электронный ресурс] // Режим доступа: https://www.rbc.ru/economics/01/02/2021/6017e1819a7947cb98f23f95 (дата обращения: 26.05.2021).
  • Россияне не готовы отказываться от доставки продуктов на дом после окончания самоизоляции // НАФИ [Электронный ресурс] // Режим доступа: https://nafi.ru/analytics/rossiyane-ne-gotovy-otkazyvatsya-ot-dostavki-produktov-na-dom-posle-okonchaniya-samoizolyatsii/ (дата обращения: 18.06.2021).
  • Balintfi, J. L. (1964). Computer-assisted menu planning. Communications of the ACM, 7(4), 255-259. doi:10.1145/364005.364087.
  • Boland, M., Alam, F., & Bronlund, J. (2019). Modern Technologies for Personalized Nutrition. Trends in Personalized Nutrition, 195-222. doi:10.1016/b978-0-12-816403-7.00006-4.
  • Carolan, M., 2018. Big data and food retail: nudging out citizens by creating dependent consumers. Geoforum, 90, pp.142-150. doi:10.1016/j.geoforum.2018.02.00.
  • Chifu, V., Bonta, R., Chifu, E. S., Salomie, I., & Moldovan, D. (2017). Particle Swarm Optimization Based Method for Personalized Menu Recommendations. IFMBE Proceedings, 232-237. doi:10.1007/978-3-319-52875-5_50.
  • Consumers are Turning to Local Products // FMCG Gurus [Электронный ресурс] // Режим доступа: https://fmcggurus.com/blog/fmcg-gurus-consumers-are-turning-to-local-products/ (дата обращения: 28.09.2021).
  • Ludvik Eger, Lenka Komarkova, Dana Egerova, Michal Micik. The effect of COVID-19 on consumer shopping behaviour: Generational cohort perspective. Journal of Retailing and Consumer Services - Volume 61, 2021 - doi.org/10.1016/j.jretconser.2021.102542.
  • Mak, E., Pinter, B., Gaal, B., Vassanyi, I., Kozmann, G., & Nemeth, I. (2010). A Formal Domain Model for Dietary and Physical Activity Counseling. Lecture Notes in Computer Science, 607-616. doi: 10.1007/978-3-642-15387-7_64.
  • Moldovan, D., Stefan, P., Vuscan, C., Chifu, V. R., Anghel, I., Cioara, T., & Salomie, I. (2017). Diet Generator for Elders using Cat Swarm Optimization and Wolf Search. IFMBE Proceedings, 238-243. doi:10.1007/978-3-319-52875-5_51.
  • New Epsilon research indicates 80% of consumers are more likely to make a purchase when brands offer personalized experiences // Epsilon [Электронный ресурс] // Режим доступа: https://www.epsilon.com/us/about-us/pressroom/new-epsilon-research-indicates-80-of-consumers-are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences (дата обращения: 10.10.2021).
  • Ngo, H. C., Cheah, Y.-N., Goh, O. S., Choo, Y.-H., Basiron, H., & Kumar, Y. J. (2016). A Review on Automated Menu Planning Approaches. Journal of Computer Science, 12(12), 582-596. doi:10.3844/jcssp.2016.582.596.
  • Zenun Franco, R. (2017). Online Recommender System for Personalized Nutrition Advice. Proceedings of the Eleventh ACM Conference on Recommender Systems - RecSys '17. doi:10.1145/3109859.3109862.
Еще