Красноярск, Россия
с 01.01.1993 по 01.01.2019
Сибирский федеральный университет (Базовая кафедра цифровых финансовых технологий Сбербанка, доцент)
с 01.01.2007 по настоящее время
Красноярск, Красноярский край, Россия
УДК 339.133 Спрос
Данная статья представляет собой практическое исследование в области анализа данных. В условиях быстро меняющегося рынка розничной торговли точное прогнозирование продаж имеет решающее значение для сохранения конкурентоспособности бизнеса. В работе рассмотрены методы прогнозирования временных рядов и реализованные на их основе модели с использованием машинного обучения. Авторы анализируют данные о продажах в крупнейшей розничной торговой сети Красноярского края, обучая модель на ежедневных данных двухлетнего временного периода. Проведенный обзор научных исследований позволил выделить наиболее часто используемые аналитиками методы, оценить наличие данных и определить предварительный перечень факторов, оказывающих влияние на объем продаж. В статье представлены методы предобработки данных, этапы построения и использования модели прогноза. Описываются и сравниваются различные методы прогнозирования и модели машинного обучения для построения временных рядов, такие как метод Хольта-Винтерса, аддитивная линейная модель Prophet, модель сезонной авторегрессионной интегрированной скользящей средней. Для оценки точности прогноза рассчитывается средняя абсолютная ошибка, среднеквадратическая ошибка и средняя абсолютная процентная ошибка. Настоящее исследование дает читателю представление о возможностях прогнозирования продаж с использованием моделей машинного обучения. Полученные результаты позволили обосновать выбор лучшей модели прогноза временных рядов, что даст возможность более эффективно управлять запасами компании за счет точного прогнозирования объемов продаж.
прогнозирование продаж, модели временных рядов, розничная торговля, прогнозная аналитика, метрики оценки прогноза, машинное обучение
1. Haque, M. S. Retail demand forecasting: a comparative study for multivariate time series [Electronic resource] / M. S. Haque, M. Sh. Amin, J. Miah. – URL: https://arxiv.org/abs/2308.11939 (Date of access: 12.04.2024). DOI:https://doi.org/10.48550/arXiv.2308.11939.
2. Пивкин, К. С. Корреляционный анализ факторов влияния на покупательский спрос розничного магазина как этап формирования модели прогнозирования и управления запасами [Текст] / К. С. Пивкин // Вестник Удмуртского университета. Серия Экономика и право. – 2016. – Т. 26, вып. 3. – С. 40–50.
3. Пивкин, К. С. Прогнозирование ключевых показателей розничной сети во времени [Текст] / К. С. Пивкин // Вестник Пермского университета. Серия: Экономика. – 2017. – Т. 12, № 4. – С. 592–606. DOI:https://doi.org/10.17072/1994-9960-2017-4-592-608.
4. Коровин, А. М. Прогнозирование спроса на рынке дорожно-строительной техники с использованием инструментов интеллектуального анализа данных [Текст] / А. М. Коровин // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2022. – Т. 22, № 3. – С. 117–131.
5. Demand forecasting based machine learning algorithms on customer information: an applied approach [Electronic resource] / M. Zohdi, M. Rafiee, V. Kayvanfar, A. Salamiraad // International Journal of Information Technology. – 2022. – No 14(3). – URL: https://www.researchgate.net/publication/358567204_Demand_forecasting_based_machine_learning_algorithms_on_customer_information_an_applied_approach (Date of access: 12.05.2024). DOI:https://doi.org/10.1007/s41870-022-00875-3.
6. Product age based demand forecast model for fashion retail [Electronic resource] / R. K. Vashishtha, V. Burman, R. Kumar [et al.]. – URL: https:// arxiv.org/abs/2007.05278 (Date of access: 12.05.2024). DOI:https://doi.org/10.48550/arXiv.2007.05278.
7. Machine-learning algorithm for demand forecasting problem [Electronic resource] / D. T. Wiyanti, I. Kharisudin1, A. B. Setiawan, A. K. Nugroho // Journal of Physics: Conference Series. – URL: https://iopscience.iop.org/article/10.1088/1742-6596/1918/4/ 042012/pdf (Date of access: 12.05.2024). DOI:https://doi.org/10.1088/1742-6596/1918/4/042012.
8. Time series analysis: forecasting and control [Electronic resource] / G. E. P. Box, G. M. Jenkins, G. C. Reinsel, G. M. Ljung. – URL: http://repo.darmajaya.ac.id/4781/ 1/Time%20Series%20Analysis_%20Forecasting%20and%20Control%20%28%20PDFDrive%20%29.pdf (Date of access: 12.05.2024).
9. Ferreira, K. J. Analytics for an online retailer: demand forecasting and price optimization [Electronic resource] / K. J. Ferreira, B. H. A. Lee, D. Simchi-Levi // Manufacturing & Service Operations Management. – URL: http://hdl.handle.net/1721.1/ 101783 (Date of access: 12.05.2024). DOI:https://doi.org/10.1287/msom.2015.0561.
10. Teng, S. Route planning method for cross-border e-commerce logistics of agricultural products based on recurrent neural network [Electronic resource] / S. Teng // Soft Computing. – URL: https://www.researchgate.net/publication/351508064_Route_planning_ method_for_cross-border_e-commerce_logistics_of_agricultural_products_based_on_ recurrent_neural_network (Date of access: 10.05.2024). DOIhttps://doi.org/10.1007/s00500-021-05861-8.
11. Старовойтов, В. В. Нормализация данных в машинном обучении [Текст] / В. В. Старовойтов, Ю. И. Голуб // Информатика. – 2021. – № 18(3). – С. 83–96. DOI:https://doi.org/10.37661/1816-0301-2021-18-3-83-96.
12. Анафиев, А. С. Обзор подходов к решению задачи оптимизации гиперпараметров для алгоритмов машинного обучения [Текст] / А. С. Анафиев, А. С. Карюк // Таврический вестник информатики и математики. – 2022. – № 2(55). – С. 30–37.
13. Tofallis, C. A better measure of relative prediction accuracy for model selection and model estimation [Text] / C. Tofallis // Journal of the Operational Research Society. – 2015. – No 66(8). – Pp. 1352–1362. DOI:https://doi.org/10.1057/jors.2014.103.
14. Hodson, T. O. Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not [Electronic resource] / T. O. Hodson // Geoscientific Model Development. – 2022. – Vol. 15, Is. 14. – Pp. 5481–5487. – URL: https://gmd.copernicus.org/ articles/15/5481/2022/ (Date of access: 10.05.2024). DOI:https://doi.org/10.5194/gmd-15-5481-2022.
15. Bickel, P. Mathematical Statistics: Basic Ideas and Selected Topics [Electronic resource] / P. Bickel, K. Doksum // Journal of the American Statistical Association. – 2007. – No 56(4). – URL: https://www.researchgate.net/publication/236736826_Mathematical_ Statistics_Basic_Ideas_and_Selected_Topics (Date of access: 10.05.2024). DOI:https://doi.org/10.2307/2286373.
16. Миролюбова, А. A. ARIMA – прогнозирование спроса производственного предприятия [Текст] / А. A. Миролюбова, A. Д. Ермолаев // Современные наукоемкие технологии. Региональное приложение. – 2021. – № 2(66). – С. 50–55.
17. Kolassa, S. Combining exponential smoothing forecasts using Akaike weights [Electronic resource] / S. Kolassa // International Journal of Forecasting. – 2011. – Vol. 27, Is. 2. – Pp. 238–251. – URL: https://www.sciencedirect.com/science/article/abs/pii/ S0169207010001032 (Date of access: 13.05.2024).
18. VanBerlo, B. Univariate Long-Term Municipal Water Demand Forecasting [Electronic resource] / B. VanBerlo, M. A. S. Ross, D. Hsia. – URL: https://arxiv.org/abs/2105.08486 (Дата обращения: 13.05.2024). DOI:https://doi.org/10.48550/arXiv.2105.08486.
19. Hoffmann, D. Impact of HPO on AutoML Forecasting Ensembles [Electronic resource] / D. Hoffmann. – URL: https://arxiv.org/abs/2311.04034 (Date of access: 13.05.2024). DOI:https://doi.org/10.48550/arXiv.2311.04034.
20. Taylor, S. J. Forecasting at scale [Electronic resource] / S. J. Taylor, B. Letham. –URL: https://www.researchgate.net/publication/344989540_Forecasting_at_scale (Date of access: 13.05.2024). DOI:https://doi.org/10.7287/peerj.preprints.3190v2.
21. Выбор метода прогнозирования основных статистических показателей работы ГБУЗ «НИИ СП им. Н. В. Склифосовского Департамента здравоохранения города Москвы» [Текст] / Б. Л. Курилин, В. Я. Киселевская-Бабинина, Н. А. Карасёв [и др.] // Журнал им. Н. В. Склифосовского «Неотложная медицинская помощь». – 2019. – № 8(3). – С. 246–256.
22. Милюшенко, О. А. Прогнозирование выручки от продаж торгового предприятия [Текст] / О. А. Милюшенко, А. Г. Пупкова, А. И. Ковалев // Вестник Сибирского института бизнеса и информационных технологий. – 2020. – № 4(36). – С. 58–64.
23. Вахрушев, И. А. Прогнозирование годовой выручки российских компаний крупного и среднего бизнеса отрасли торговля [Текст] / И. А. Вахрушев // Научный журнал НИУ ИТМО. Серия Экономика и экологический менеджмент. – 2020. – № 3. – С. 45–51.
24. Murray, P. W. Forecasting Supply Chain Demand by Clustering Customers [Electronic resource] / P. W. Murray, B. Agard, M. A. Barajas // IFAC-PapersOnLine. – 2015. – Vol. 48, Is. 3. – Pp. 1834–1839. – URL: https://www.sciencedirect.com/science/ article/pii/S2405896315005923 (Date of access: 05.10.2024).
25. A decoder-only foundation model for time-series forecasting [Electronic resource] / A. Das, W. Kong, R. Sen, Y. Zhou. – URL: https://arxiv.org/abs/2310.10688 (Date of access: 05.10.2024). DOI:https://doi.org/10.48550/arXiv.2310.10688.
