Методологія розробки та впровадження інтелектуальної інформаційної системи прогнозування продажів для ефективного управління

Abstract

Дослідження присвячене розробці та впровадженню гнучкої методології прогнозування продажів для ефективного управління запасами в магазинах і складських приміщеннях. Запропонована модель базується на методах машинного навчання та враховує змінні ринкові умови, дозволяючи адаптивно оновлювати прогнози. Основні етапи дослідження включають аналіз існуючих методів прогнозування, вибір алгоритмів машинного навчання, розробку прототипу моделі та оцінку її точності й економічного ефекту. Для реалізації моделі використовувався фреймворк AutoML .NET, який забезпечує автоматичний підбір найефективніших алгоритмів і гіперпараметрів. Результати експериментів з навчання моделей на наборах даних різного обсягу продемонстрували високу точність прогнозування за допомогою алгоритмів FastTree, FastForest, SDCA та LightGBM. Також було досліджено ефективність різних стратегій оптимізації параметрів, що дозволяє адаптувати модель до нових ринкових змін. Запропонована методологія сприяє зниженню ризиків у процесі управління запасами, підвищенню ефективності бізнес-процесів та мінімізації витрат, пов’язаних із надлишковими або дефіцитними запасами.The study is devoted to the development and implementation of a flexible sales forecasting methodology for efficient inventory management in stores and warehouses. The proposed model is based on machine learning methods and takes into account changing market conditions, allowing for adaptive forecast s. The main stages of the research include analysing existing forecasting methods, ing machine learning algorithms, developing a prototype model, and evaluating its accuracy and economic effect. To implement the model, the AutoML .NET framework was used, which provides automatic ion of the most efficient algorithms and hyperparameters. The results of model training experiments on data sets of different sizes demonstrated high forecasting accuracy using FastTree, FastForest, SDCA, and LightGBM algorithms. The effectiveness of various parameter optimisation strategies was also investigated, allowing the model to adapt to new market changes. The proposed methodology helps to reduce risks in the inventory management process, increase the efficiency of business processes and minimise costs associated with excess or shortage stocks.