ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЕ ПОТРЕБИТЕЛЬСКОГО СПРОСА В РОЗНИЧНОЙ ТОРГОВЛЕ

АННОТАЦИЯ

В настоящей научной статье будет исследовано применение методов машинного обучения для прогнозирования потребительского спроса в розничной торговле на основе исторических данных. В работе будут рассмотрены различные подходы, включая случайное прогнозирование, с целью выявления закономерностей и повышения точности прогнозов. Анализ будет включать оценку эффективности случайного прогнозирования как базового метода и его сравнение с более сложными алгоритмами. Исследование продемонстрирует, как использование машинного обучения сможет оптимизировать управление запасами, улучшить маркетинговые стратегии и способствовать увеличению прибыли в розничных сетях.

Ключевые слова: машинное обучение, прогнозирование спроса, розничная торговля, управление запасами, случайное прогнозирование, градиентный бустинг, рекуррентные нейронные сети, анализ продаж, алгоритмы прогнозирования.

В последние годы наблюдается резкий рост интереса к использованию методов машинного обучения для прогнозирования потребительского спроса в розничной торговле. Современные технологии позволяют собирать огромные объемы данных о поведении покупателей, их предпочтениях и тенденциях на рынке. Это открывает новые горизонты для аналитиков, маркетологов и владельцев бизнеса, которые стремятся не только удовлетворить потребности своих клиентов, но и предвосхитить их желания. [5]

Одним из ключевых аспектов прогнозирования потребительского спроса является возможность использовать исторические данные о продажах. Это позволяет выявить закономерности, которые могут служить основой для более точных прогнозов. Например, можно анализировать данные о продажах за последние три года, чтобы понять, какие товары пользуются наибольшим спросом в определенные периоды времени, такие как праздники или сезонные распродажи. Это позволит компаниям заранее закупить необходимые товары и избежать дефицита. [1]

Для начала, рассмотрим простой пример использования линейной регрессии. Сначала рассмотрим классический подход — использование линейной регрессии для прогнозирования спроса на молочные продукты. Мы используем цену на товар и наличие скидок как независимые переменные, а продажи — как зависимую.

Рисунок 1. Пример использования линейной регрессии

Этот пример показывает, как с помощью простого подхода линейной регрессии можно прогнозировать объем продаж на основе цены и скидок. Линейная регрессия эффективно работает в случаях, когда зависимость между переменными линейная, однако в реальной жизни спрос может зависеть от множества других факторов, таких как сезонность, конкуренция и макроэкономические условия.

Теперь попробуем использовать более сложный метод — дерево решений. Оно позволяет учитывать нелинейные зависимости между переменными и лучше работает в условиях, когда данные сложно разделить на простые линейные зависимости. [4]

Рисунок 2. Дерево решений

Дерево решений позволяет учитывать более сложные зависимости, такие как взаимодействие между ценами и сезонностью, что делает прогнозы более точными по сравнению с линейной регрессией. Например, спрос на молочные продукты в зимний период может возрастать из-за праздников, и дерево решений способно уловить эти изменения. [3]

Список литературы:

1. Ануфриева Е. В. Предсказание индекса МосБиржи при помощи метода опорных векторов / Е. В. Ануфриева // Экономические исследования. - 2019. - № 4.
2. Мюллер А. Введение в машинное обучение с помощью python / Андреас Мюллер, Сара Гвидо // Руководство для специалистов -2017. - № 2. - С. 45-48.
3. Еременко К. Работа с данными в любой сфере: как выйти на новый уровень, используя аналитику / К. Еременко; пер. с англ. - Москва : Альпина Паблишер, 2019. - 303 с.
4. Кафтанников И. Л. Проблемы формирования обучающей выборки в задачах машинного обучения / И. Л. Кафтанников, А. В. Парасич // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2016. - № 3. - С. 15-24.
5. Перерва О. Л. Сравнение эконометрических моделей и методов бизнес-аналитики предсказания банкротства предприятий / О. Л. Перерва, С. Е. Степанов, С. С. Незимова // Вестник евразийской науки. - 2017. - Т. 9, № 6.