ПРОГНОЗИРОВАНИЕ СПРОСА В ЭЛЕКТРОННОЙ КОММЕРЦИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004

Полторацкий П.Г.

аспирант кафедры информационные системы и технологии Московский государственный технологический университет «Станкин»

(г. Москва, Россия)

ПРОГНОЗИРОВАНИЕ СПРОСА В ЭЛЕКТРОННОЙ КОММЕРЦИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

Аннотация: в работе рассмотрены перспективы машинного обучения в электронной торговле. Выделены данные, используемые для прогнозирования спроса, а также произведена классификация применяемых моделей обучения.

Ключевые слова: машинное обучение, электронная коммерция, розничная торговля, покупательский спрос, статистические методы.

Электронная коммерция представляет собой покупку и продажу товаров и услуг через интернет. Сегодня это одна из самых динамично развивающихся отраслей, которая активно использует современные технологии для улучшения пользовательского опыта и оптимизации бизнес-процессов. Среди направлений применения машинного обучения в электронной торговле, можно выделить:

- маркетинг, персонализация и рекомендации,

- проектирование и оптимизация продуктов и услуг,

- аналитика и принятие решений прогнозирование спроса и анализ данных.

В основе большинства подходов лежит прогнозирование покупательского спроса. Можно выделить следующие данные, лежащие в основе обучаемых моделей:

- исторические данные о продажах позволяют выявить тенденции и сезонные колебания,

1516

- данных о просмотрах, кликах, добавлениях в корзину и покупках помогает понять предпочтения клиентов,

- учет временных акций, скидок и рекламных кампаний, которые могут временно увеличивать спрос,

- экономические условия, праздники, погода и другие факторы, которые могут влиять на покупательскую активность,

- влияние наличия и разнообразия товаров на спрос,

- влияние отзывов других пользователей на принятие решений о покупке. [1]

В зависимости от типа данных применяются разные модели машинного обучения, которые можно классифицировать следующим образом.

Модели временных рядов:

- ARIMA (AutoRegressive Integrated Moving Average) позволяет учитывать сезонные и трендовые компоненты при анализе временных рядов, [2]

- SARIMA (Seasonal ARIMA) является расширением модели ARIMA для учета сезонных колебаний,

- алгоритм Prophet, разработанный Facebook, который хорошо работает с данными, имеющими пропуски и несезонные тренды. [3]

Модели на основе регрессии:

- линейная регрессия, используемая для прогнозирования спроса на основе линейных зависимостей,

- регрессия с регуляризацией (Ridge, Lasso) является модифицированной версией линейной регрессии, которая предотвращает переобучение и учитывает взаимосвязи между признаками.

Модели на основе деревьев решений:

- ансамблевый метод Random Forest использует множество деревьев решений для повышения точности прогноза,

- метод Gradient Boosting Machines (GBM) последовательно улучшает модели деревьев решений, снижая ошибку прогноза. [4]

1517

Нейронные сети:

- рекуррентные нейронные сети (RNN) способны учитывать временную зависимость данных, что делает их эффективными для прогнозирования временных рядов,

- долгосрочная краткосрочная память (LSTM) хорошо работает с длинными временными зависимостями,

- свёрточные нейронные сети (CNN) могут быть адаптированы для анализа временных рядов и выявления сложных зависимостей.

Отдельно стоит выделить гибридные модели, которые являются сочетанием различных подходов для улучшения точности прогнозов. Например, использование ARIMA для моделирования сезонных компонентов и нейронных сетей для учета нелинейных зависимостей.

Прогнозирование спроса в электронной коммерции с использованием методов машинного обучения позволяет бизнесам лучше планировать запасы, оптимизировать цепочки поставок и проводить более эффективные маркетинговые кампании. Внедрение передовых моделей и учет множества факторов способствует повышению точности прогнозов и, как следствие, улучшению удовлетворенности клиентов и увеличению прибыли.

СПИСОК ЛИТЕРАТУРЫ:

1. Васильева, И. В. Основные факторы формирования оптимального торгового ассортимента на предприятии розничной торговли / И. В. Васильева, А. С. Артемьев // Вестник Российского государственного аграрного заочного университета. - 2013. - № 15(20). - С. 96-100. - EDN SEOQNJ;

2. Валиахметова, Ю. И. Применение методов машинного обучения в области прогнозирования объема продаж с учетом динамически изменяющихся признаков / Ю. И. Валиахметова, Э. И. Идрисова // StudNet. - 2020. - Т. 3, № 10. - С. 98. - EDN GRCMQK;

1518

3. Пилипенко, А. Ю. Прогнозирование спроса на товары средствами машинного обучения / А. Ю. Пилипенко // StudNet. - 2022. - Т. 5, № 2. - EDN SOOURT;

4. Использование методов машинного обучения для решения задач прогнозирования спроса на новый товар в интернет-маркетплейсе / А. А. Осин, А. К. Фомин, Г. Б. Сологуб, В. И. Виноградов // Моделирование и анализ данных. - 2020. - Т. 10, № 4. - С. 41-50. - DOI 10.17759/mda.2020100404. - EDN JMZHNM

Poltoratsky P.G.

Moscow State Technological University «Stankin» (Moscow, Russia)

FORECASTING DEMAND IN ELECTRONIC COMMERCE BY MACHINE LEARNING METHODS

Abstract: the paper considers the prospects of machine learning in electronic commerce. The data used to predict demand are highlighted, and the classification of the applied learning models is made.

Keywords: machine learning, e-commerce, retail, consumer demand, statistical methods.

1519