Кластерний аналіз та прогнозування пошукових запитів для побудови інтелектуальної системи моніторингу попиту на медичні ліцензії

Анотація

Стаття присвячена аналізу динаміки попиту на послуги з отримання медичної ліцензії в Україні на основі даних Google Ads та оцінці ефективності сучасних моделей прогнозування часових рядів. Визначено, що медичне ліцензування є складною, багаторівневою та нормативно врегульованою процедурою, що потребує значних адміністративних та фінансових ресурсів. Нерівномірність попиту на юридичні та консультаційні послуги у цій сфері зумовлена сезонністю, змінами законодавства та соціально-економічними чинниками. На основі аналізу наукових джерел встановлено, що сучасні підходи до прогнозування попиту у медичній галузі базуються як на застосуванні традиційних підходів, так й на використанні гібридних моделей машинного та глибинного навчання, які дозволяють враховувати тренди, сезонність та шокові події. У роботі використано реальні дані з рекламного кабінету Google Ads за період серпень 2024 – серпень 2025 рр., що охоплюють показники кількості запитів. У дослідженні застосовано комплексний підхід, що включає очищення та вінсоризацію даних, виділення сезонності за допомогою STL-декомпозиції, тематичну кластеризацію пошукових запитів (TF-IDF + K-Means) та формування окремих часових рядів для різних змістових груп. Для прогнозування використано моделі ARIMA/SARIMA, Prophet та Holt–Winters, а точність оцінено за метрикою MAE. Порівняльний аналіз продемонстрував, що Prophet найкраще виконує середньострокові прогнози та забезпечує найнижчу похибку (MAE ≈ 6%), тоді як SARIMA ефективна для короткострокових прогнозів у кластерах із нерегулярними коливаннями. Модель Holt–Winters показала стабільні результати за наявності вираженого тренду та достатньої довжини ряду. Отримані результати є основою для подальшої розробки прототипу інтелектуальної системи моніторингу попиту на медичні ліцензії, здатної автоматично аналізувати великі масиви даних і формувати рекомендації для управлінських рішень