Інформаційна система вибору автомобілів

Abstract

Складність вибору автомобіля для користувачів без технічної підготовки залишається актуальною проблемою через надмірну кількість моделей та обмеженість існуючих інструментів. Популярні платформи, такі як AutoRia та OLX Auto, пропонують лише базову фільтрацію за технічними параметрами (ціна, пробіг, рік випуску), ігноруючи контекст використання авто, такі як міські поїздки, сімейні подорожі або комерційні потреби [1]. Це змушує користувачів проводити додатковий аналіз самостійно або звертатися до експертів, що збільшує час та ресурси. Метою роботи являється створення інформаційної системи, яка автоматизує процес підбору автомобілів через поєднання багатокритеріального аналізу та інтерактивного опитування, адаптованого до індивідуальних потреб. Об’єкт дослідження – процес вибору автомобіля, що враховує не лише технічні характеристики, а й суб’єктивні фактори: стиль життя, фінансові можливості, пріоритети безпеки та комфорту. Предмет дослідження – моделі та методи побудови ІС, які інтегрують динамічне ранжування результатів на основі вагових коефіцієнтів із можливістю коригування критеріїв у реальному часі. Система реалізована за допомогою сучасного технологічного стеку: React.js для створення інтуїтивного інтерфейсу, Node.js та Express.js для обробки запитів, MongoDB для зберігання структурованих та неструктурованих даних. Архітектура передбачає два рівні фільтрації. Перший рівень – базова фільтрація за технічними параметрами (тип пального, трансмісія, діапазон цін), що дозволяє відсіяти явно непідходящі варіанти. Другий рівень – інтерактивне опитування, яке визначає пріоритети користувача: призначення авто, необхідність великого багажника, рівень споживання пального, безпеку за результатами краш-тестів [2]. Наприклад, для користувача, який шукає сімейний автомобіль, система пропонує моделі з високим рейтингом безпеки, містким салоном та економічним двигуном, такі як Honda Civic (8.65/10 балів), враховуючи вагові коефіцієнти кожного критерію. Для оцінки релевантності використано метод аналізу ієрархій (AHP), який дозволяє визначити відносну важливість кожного параметру шляхом парних порівнянь [3]. Ваги критеріїв (наприклад, безпека – 30%, економічність – 25%) встановлені на основі аналізу статистики запитів та експертних оцінок. Результати тестування показали, що запропонований алгоритм підвищує точність рекомендацій на 25% порівняно з традиційними системами, де відсутня адаптація до контексту [4]. Інтерфейс системи реалізований з урахуванням принципів юзабіліті: користувач може корегувати критерії під час роботи, переглядати детальну інформацію про кожну модель та порівнювати альтернативи у візуально зручному форматі [5].

The complexity of car selection for users without technical expertise remains relevant due to market oversaturation and limitations of existing tools. Platforms like AutoRia and OLX Auto offer basic filtering by technical parameters (price, mileage, year), ignoring usage context such as urban commuting, family trips, or commercial needs [1]. This forces users to conduct additional analysis independently or consult experts, increasing time and resource costs. The study aims to develop an information system (IS) automating car selection through multi-criteria analysis and adaptive interactive surveys tailored to individual preferences. The research object is the car selection process, considering not only technical specifications but also subjective factors: lifestyle, budget, safety priorities, and comfort. The study focuses on analytical models and methodological approaches for developing an integrated information system with dynamic result ranking based on weighted coefficients with real-time criteria adjustment. The system is implemented using a modern tech stack: React.js for an intuitive interface, Node.js and Express.js for request processing, MongoDB for structured and unstructured data storage. The architecture includes two filtering levels. The first level – basic filtering by technical parameters (fuel type, transmission, price range) – eliminates obviously unsuitable options. The second level – interactive surveys – identifies user priorities: car purpose, trunk capacity, fuel efficiency, crash-test ratings [2]. For instance, for a user seeking a family car, the system recommends models with high safety ratings, spacious interiors, and fuel-efficient engines, such as Honda Civic (8.65/10 points), considering weighted criteria. We apply AHP's pairwise comparison framework to determine parameter relevance through calculated importance weights [3]. Criteria weights (e.g., safety – 30%, efficiency – 25%) are based on query statistics and expert evaluations. Experimental evaluation demonstrates that the proposed algorithm enhances recommendation accuracy by 25% compared to traditional systems lacking context adaptation [4]. The interface adheres to usability principles: users can adjust criteria dynamically, view detailed model information, and compare alternatives in a visually accessible format [5].