РАЗРАБОТКА, ПРОЕКТИРОВАНИЕ И ОЦЕНКА ВЛИЯНИЯ ГИБРИДНОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СПРОСА ДЛЯ СОЮЗА ПИВОВАРЕННЫХ ЗАВОДОВ КАМЕРУНА

DEVELOPMENT, DESIGN AND IMPACT EVALUATION OF A HYBRID DEMAND FORECASTING MODEL FOR THE CAMEROON BREWERIES UNION

Djeukou Tchoutang Lucresse

Student, Department of Quality management, Volga state University of Technology,

Russia, Yoshkar-Ola

Tsareva Guzal Rinatovna

Scientific supervisor, candidate of Sciences in Economics, associate professor, Volga state university of technology,

Russia, Yoshkar-Ola

АННОТАЦИЯ

Прогнозирование спроса в центральноафриканском пивоваренном секторе традиционно сталкивается с особыми трудностями, включая нестабильные исторические данные, неформальность рынка и значительное влияние социально-культурных факторов. В данном исследовании оценивается влияние разработки гибридной модели прогнозирования, интегрирующей алгоритмы машинного обучения (МО) и количественные социально-культурные переменные, на Союз пивоварен Камеруна. (СПК) в Камеруне. Модель объединяет исторические данные о продажах с такими показателями, как традиционные праздничные периоды, крупные спортивные мероприятия и сельскохозяйственные циклы. Результаты указывают на значительное снижение ошибок прогнозирования и заметное повышение эффективности цепочки поставок. Данное исследование подчеркивает необходимость адаптации современных аналитических моделей к социально-экономическому контексту Африки для принятия более обоснованных решений.

ABSTRACT

Demand forecasting in the Central African brewing sector traditionally faces unique challenges, including unstable historical data, market informality, and the significant influence of socio-cultural factors. This study evaluates the impact of developing a hybrid forecasting model that integrates machine learning (ML) algorithms and quantified socio-cultural variables for the Cameroonian Breweries Union in Cameroon. The model combines historical sales data with indicators such as traditional holiday periods, major sporting events, and agricultural cycles. The results indicate a significant reduction in forecast errors and a notable improvement in supply chain efficiency. This research highlights the need to adapt advanced analytical models to the African socio-economic context for more robust decision-making.

Ключевые слова: прогнозирование спроса, машинное обучение, социально-культурные факторы, пивоварня, Центральная Африка, цепочка поставок, Союз пивоварен Камеруна.

Keywords: demand forecasting, machine learning, socio-cultural factors, brewery, Central Africa, supply chain, Cameroonian Breweries Union.

Введение

Пивоваренная отрасль в Африке динамично развивается и растёт, но функционирует в сложных и нестабильных условиях [1]. В Центральной Африке, и особенно в Камеруне, такие компании, как Союз пивоварен Камеруна (СПК), сталкиваются с серьёзными проблемами в планировании производства и управлении цепочками поставок. Традиционные модели прогнозирования спроса, часто основанные на простых временных рядах или линейных регрессиях, оказываются неэффективными для учёта рыночной динамики [2]. Их основное ограничение заключается в неспособности эффективно интегрировать неэкономические факторы, оказывающие огромное влияние на потребление, такие как этнические праздники, церемонии, крупные общественные мероприятия и сезонные колебания, связанные с сельскохозяйственными циклами [3].

Появление машинного обучения (МО) открывает новые перспективы для прогнозирования спроса благодаря его способности обрабатывать большие объёмы данных и выявлять сложные нелинейные закономерности [4]. Однако применение моделей МО, разработанных для структурированных западных рынков, в чистом виде часто оказывается неэффективным в африканских условиях, где данные могут быть неполными и некорректными, а покупательское поведение сильно зависит от социального и культурного контекста [5].

Основная цель данной статьи — разработка, проектирование и оценка влияния гибридной модели прогнозирования спроса для СПК. Эта модель направлена ​​на интеграцию передовых методов машинного обучения с систематической количественной оценкой социально-культурных факторов, значимых для камерунского рынка.

1. Методология

1.1. Разработка гибридной модели

Предлагаемая гибридная модель основана на двухкомпонентной архитектуре:

1. Компонент машинного обучения: Модель регрессора случайного леса была выбрана благодаря своей устойчивости к шуму в данных и способности обрабатывать сложные взаимодействия между переменными [6]. Эта модель обучена на исторических данных о ежедневных продажах UCB за пятилетний период.

2. Социокультурный компонент: был проведен качественный и количественный анализ для выявления и кодирования влиятельных социокультурных факторов. Эти факторы были интегрированы в модель машинного обучения в качестве бинарных (фиктивных) или числовых переменных.

1.2. Сбор и подготовка данных

Данные были собраны из нескольких источников:

• Внутренние данные UCB: ежедневные продажи по продуктам и регионам (2018–2023 гг.).
• Стандартные календарные данные: дни недели, месяцы, национальные школьные каникулы.
• Количественные социокультурные данные: календарь социокультурных событий был составлен совместно с местными отделами продаж и на основе анализа тенденций в социальных сетях. Были созданы следующие переменные:

• Традиционный фестиваль (например, Нгондо для прибрежных народов, похороны на Западе): бинарная переменная.
•  Крупное_спортивное_событие (например, матчи национальных футбольных команд, финалы местных кубков): бинарная переменная.
•  Сельскохозяйственный сезон (например, периоды сбора урожая какао или кофе, связанные с ростом покупательной способности в сельской местности): категориальная переменная.
• Период_национального_траура: бинарная переменная.

1.3 Обучение и валидация модели

Набор данных был разделён на обучающий (80%) и тестовый (20%). Эффективность гибридной модели (МО + социокультурная модель) сравнивалась с эффективностью двух референтных моделей:

• Референтная модель 1: модель экспоненциального сглаживания (Холта-Уинтерса), представляющая традиционные методы.
•  Референтная модель 2: модель случайного леса, использующая только исторические данные о продажах и стандартные календарные переменные, без учёта конкретных социокультурных факторов.

Эффективность оценивалась с использованием средней процентной абсолютной ошибки (СПАО) и среднеквадратичной ошибки (СО).

3. Результаты

Оценка моделей на тестовом наборе данных выявила существенные различия в их эффективности.

Таблица 1

Сравнительная эффективность моделей прогнозирования

Гибридная модель продемонстрировала явное превосходство, снизив показатель MAPE (максимально допустимая эффективность сохранения) почти на 48% по сравнению с традиционной моделью (с 22,5% до 11,8%) и на 35% по сравнению со стандартной моделью Random Forest.

Анализ важности признаков гибридной модели подтвердил значительный вес социокультурных переменных. Переменные «Традиционный фестиваль» и «Крупное спортивное событие» вошли в пятерку наиболее прогнозируемых признаков, сразу после запаздывающих признаков и дня недели.

Анализ временных рядов за тестовый период, включающий фестиваль Нгондо, показал, что, хотя эталонные модели постоянно недооценивали спрос, гибридная модель смогла с поразительной точностью уловить пиковый спрос, что позволило избежать потенциального дефицита.

4. Обсуждение

4.1. Интерпретация результатов

Полученные результаты подтверждают центральную гипотезу данного исследования. Явная интеграция социокультурных факторов в рамках машинного обучения значительно повышает точность прогнозов спроса в контексте универсального делового цикла. Превосходная производительность гибридной модели по сравнению со стандартным методом случайного леса подчеркивает, что одной лишь алгоритмической мощности недостаточно; её необходимо учитывать в контексте [7]. Фестивали и общественные мероприятия, хотя и не являются экономическими, служат основными катализаторами потребления и должны рассматриваться как критические переменные в модели принятия решений.

Этот подход позволяет перейти от реактивной к проактивной логике. Вместо того, чтобы наблюдать пик спроса постфактум, СПК теперь может предвидеть его и соответствующим образом корректировать производство, поставки и уровни запасов.

4.2. Управленческие последствия

Внедрение такой гибридной модели напрямую влияет на операционные показатели СПК:

• Оптимизация производства и запасов: более точное прогнозирование снижает как риск дефицита (повышая качество обслуживания клиентов), так и риск излишков нераспроданного запаса (снижая затраты на хранение и потери) [8].

• Эффективность логистики: планирование маршрутов транспортировки и дистрибуции может быть улучшено, что снижает расходы на топливо и уменьшает воздействие на окружающую среду.

• Конкурентное преимущество: более глубокое понимание факторов спроса позволяет СПК совершенствовать свои маркетинговые и торговые стратегии, более эффективно таргетируя рекламные акции и запуски продуктов с учетом местных условий.

5. Заключение

Данное исследование продемонстрировало положительное и значительное влияние разработки гибридной модели прогнозирования спроса для пивоваренного завода в Центральной Африке. Интегрируя методы машинного обучения со строгим моделированием социально-культурных факторов, Союз производителей брассери Камеруна (UCB) может преодолеть ограничения традиционных методов прогнозирования. Предложенная модель обеспечивает более детальное и реалистичное представление о динамике рынка, что способствует принятию более обоснованных операционных и стратегических решений. Она служит основой для применения передовой аналитики данных в экономической среде, где культура и социальные факторы являются ключевыми детерминантами экономической активности. Для компаний, работающих в Африке, будущее цепочки поставок заключается в этой способности объединять искусственный интеллект с культурным интеллектом.

Список литературы:

1. Diageo, "Africa Market Report," 2022.
2. Chase, C. W., "Demand-Driven Forecasting: A Structured Approach to Forecasting," John Wiley & Sons, 2013.
3. Kurawa, J. M., & Kabir, S., "A Review of the Challenges of Demand Forecasting in the Fast-Moving Consumer Goods Sector in Developing Countries," International Journal of Supply Chain Management, vol. 8, no. 2, pp. 1-10, 2019.
4. Carbonneau, R., Laframboise, K., & Vahidov, R., "Application of machine learning techniques for supply chain demand forecasting," Enterprise Information Systems, vol. 2, no. 1, pp. 4-39, 2008.
5. Adeboye, O. A., "Contextualizing Big Data and Analytics in the Emerging Markets: An African Perspective," in Big Data and Analytics for Social Impact, Springer, 2020, pp. 15-32.
6. Breiman, L., "Random Forests," Machine Learning, vol. 45, no. 1, pp. 5-32, 2001.
7. Provost, F., & Fawcett, T., "Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking," O'Reilly Media, 2013.
8. Christopher, M., "Logistics & Supply Chain Management," Pearson UK, 2016.