Аналіз моделей машинного навчання для прогнозування ресурсів ритейлу
DOI:
https://doi.org/10.15587/2706-5448.2024.315495Ключові слова:
моделі машинного навчання, ритейл, прогнозування, ресурси ритейлу, категоріальність даних, інтерпретованість моделіАнотація
Об’єктом дослідження є процеси прогнозування слабо структурованих даних артефактів ритейлу засобами машинного навчання.
У роботі проведено аналіз даних та моделей для прогнозування ресурсів ритейлу. Аналіз проведений для конкретної бізнесової ситуації та задачі, коли велика корпорація має потребу у більш повній завантаженості власних складських приміщень товарами та ресурсами, що будуть використані в майбутніх періодах для продажу або в проєктах. Задача полягає у зменшенні загально корпоративних витрат шляхом закупівлі необхідних товарів/ресурсів заздалегідь. Визначено дані, які необхідні для прогнозування, їх джерела та властивості. Показано, що дані будуть надходити з різних джерел, будуть мати різний часовий інтервал, категорійну складову та логістичну прив’язку. Для таких даних було обрано моделі та метод прогнозування RNN, LSTM, Random Forest, Gradient Boosting, XGBoost. Їх проаналізовано за критеріями джерела даних, часовий інтервал, категорійність даних, наявність логістичної складової, гнучкість інструментів у роботі з різнорідними даними, вимоги інструментів до обчислювальних ресурсів, інтерпретованість результатів моделювання.
Джерела даних пояснюють звідки походять дані для аналізу. Зазвичай то: магазини, склади, логістичні компанії, проєкти та стратегічні плани корпорації. Часовий інтервал характеризує частоту та регулярність надходження даних для аналізу. Критерій «категоріальність даних» характеризує, як цей тип даних впливає на якість аналізу. Логістичні параметри даних також характеризують вплив на аналіз. «Гнучкість у роботі з різнорідними даними» показує здатність моделі ефективно працювати з даними різних форматів і джерел. Вимоги до обчислювальних ресурсів визначає їх необхідну потужність для тренування та роботи моделі. Інтерпретованість моделі характеризує її здатність пояснювати, як і чому вона приймає конкретні рішення або прогнози на основі вхідних даних. Чим складніша модель, тим важче її інтерпретувати. У бізнес-ритейлі інтерпретованість є важливою для пояснення прогнозів попиту.
За результатами аналізу була рекомендована модель XGBoost, як найкраща для проведення прогнозування ресурсів ритейлу.
Посилання
- Vanessa Munoz Macas, C., Andres Espinoza Aguirre, J., Arcentales-Carrion, R., Pena, M. (2021). Inventory management for retail companies: A literature review and current trends. 2021 Second International Conference on Information Systems and Software Technologies (ICI2ST), 71–78. https://doi.org/10.1109/ici2st51859.2021.00018
- Tereshchenko, S. I., Hrymailo, O. V. (2023). Innovatsiini formy orhanizatsii rozdribnoi torhivli. MNPK Tsyfrova transformatsiia ta dydzhytal tekhnolohii dlia staloho rozvytku vsikh haluzei suchasnoi osvity, nauky i praktyky, 281–285. Available at: https://repo.btu.kharkov.ua/bitstream/123456789/29872/1/Zbi%C3%B3r_prac_3_2023-281-285.pdf
- Zimmermann, R., Mora, D., Cirqueira, D., Helfert, M., Bezbradica, M., Werth, D. et al. (2022). Enhancing brick-and-mortar store shopping experience with an augmented reality shopping assistant application using personalized recommendations and explainable artificial intelligence. Journal of Research in Interactive Marketing, 17 (2), 273–298. https://doi.org/10.1108/jrim-09-2021-0237
- Barskyi, S. Yu., Teslenko, P. O. (2024) Upravlinnia resursamy infrastrukturnykh proiektiv. Informatsiini systemy v upravlinni proiektamy ta prohramamy. KhNURE, 53–56.
- Mitchell, T. M. (1997). Does machine learning really work? AI magazine, 18 (3), 11.
- Bishop, C. M. (2016). Pattern Recognition and Machine Learning. New York: Springer, 778.
- Goodfellow, I., Bengio, Y., Courville, A (2016). Deep Learning. MIT Press. Available at: http://www.deeplearningbook.org
- Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction. https://doi.org/10.1007/978-0-387-84858-7
- Chai, T.-Y., Haw, S. C., Jahangir, M., Hoe, K. B., Heng, L. E., Vellaisamy, M. (2023). Advancing Retail Operations: A Customizable IoT-Based Smart Inventory System. International Journal of Membrane Science and Technology, 10 (3), 1885–1897. https://doi.org/10.15379/ijmst.v10i3.1848
- Barskyi, S., Kopaniev, A. (2023). Sutnist ta osoblyvosti upravlinnia infrastrukturnymy proiektamy. Project, program, portfolio management. R3M-2023. IShIR, 228–230.
- Grewal, D., Benoit, S., Noble, S. M., Guha, A., Ahlbom, C.-P., Nordfält, J. (2023). Leveraging In-Store Technology and AI: Increasing Customer and Employee Efficiency and Enhancing their Experiences. Journal of Retailing, 99 (4), 487–504. https://doi.org/10.1016/j.jretai.2023.10.002
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Pavlo Teslenko, Serhii Barskyi
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
