Застосування методів машинного навчання для прогнозування попиту товарів

Abstract

Об’єкт дослідження – сфера роздрібної торгівлі. Предмет дослідження – методи машинного навчання на базі градієнтного бустингу для автоматизації планування попиту. Мета роботи – підвищення точності прогнозування попиту на товари FMCG шляхом застосування ансамблевих моделей машинного навчання. Методи дослідження: системний аналіз, розвідувальний аналіз даних, алгоритм градієнтного бустингу LightGBM, метод SHAP-значень. Результати та їх новизна: розроблено систему прогнозування попиту за допомогою LightGBM з динамічним відбором ознак. Новизною є використання кастомної метрики safe_MAPE для переривчастого попиту та математична інтерпретація впливу нелінійних факторів (ціни, промо-акцій, залишків) за допомогою методу SHAP. Сфера застосування: інтеграція в операційні ERP-системи ритейлерів та виробників товарів повсякденного попиту. Висновки та пропозиції щодо напрямку розвитку: розроблена модель успішно виявляє складні макро-тренди. У майбутньому доцільно інтегрувати до масиву даних макроекономічні індикатори та алгоритми глибокого навчання.