Библиографическое описание:СРАВНИТЕЛЬНАЯ ОЦЕНКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ПРОДАЖ В РОЗНИЧНОЙ ТОРГОВЛЕ : научное издание / В. Р. Рассохин, Ю. И. Черкасова. - Текст : непосредственный // Торговля, сервис, индустрия питания. - 2024. - Т.4, №3. - С. 227-240. - ISSN 2782-2214.
Аннотация: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.
This article represents a practical study in the field of data analysis. In the rapidly changing retail market, accurate sales forecasting is crucial for maintaining business competitiveness. The study explores time series forecasting methods and models implemented using machine learning. We analyze sales data from the largest retail network in the Krasnoyarsk region, training the model on a two-year period. The review of scientific research allowed us to identify the most commonly used methods by analysts, assess the availability of data, and determine a preliminary list of factors influencing sales volume. Our study presents data preprocessing methods, stages of building and using forecast models. Various forecasting methods and machine learning models for building time series are described and compared, such as the Holt-Winters method, the additive linear model Prophet, and the seasonal autoregressive integrated moving average model. To evaluate forecast accuracy, we calculate the mean absolute error, mean squared error, and mean absolute percentage error. This research provides readers with an understanding of sales forecasting possibilities using machine learning models. The obtained results allowed us to justify the choice of the best time series forecast model, enabling more effective inventory management through accurate sales forecasting.
