Научная статья на тему 'ПРОГНОЗИРОВАНИЕ СПРОСА В ЭЛЕКТРОННОЙ КОММЕРЦИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ'

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

CC BY
41
7
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
машинное обучение / электронная коммерция / розничная торговля / покупательский спрос / статистические методы / machine learning / e-commerce / retail / consumer demand / statistical methods

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Полторацкий П. Г.

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

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Полторацкий П. Г.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

FORECASTING DEMAND IN ELECTRONIC COMMERCE BY MACHINE LEARNING METHODS

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.

Текст научной работы на тему «ПРОГНОЗИРОВАНИЕ СПРОСА В ЭЛЕКТРОННОЙ КОММЕРЦИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ»

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

i Надоели баннеры? Вы всегда можете отключить рекламу.