Прогнозування тенденцій продажів у галузі роздрібної торгівлі за допомогою аналізу часових рядів і алгоритмів машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Качмарем Олексієм Ігоровичем. Тема “Прогнозування тенденцій продажів у галузі роздрібної торгівлі за допомогою аналізу часових рядів і алгоритмів машинного навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси та механізми аналізу і прогнозування продажів у секторі роздрібної торгівлі Предметом досліджень є методи часових рядів та алгоритми машинного навчання що прикладаються для прогнозування продажів у галузі роздрібної торгівлі. Досягнення мети відбувається за рахунок використання класичних підходів при прогнозуванні спочатку однієї одиниці товару таких як ARIMA, ARIMA(Trend) + Seasonality та LSTM. Подальше прогнозування продажів магазину відбувається з допомогою комбінування декількох індивідуальних часових рядів в єдиний ряд. Цей процес включає сумування або усереднення даних з різних джерел або категорій для отримання загального перегляду трендів або патернів. Апробацію роботи прогнозування здійснено з використанням різних алгоритмів машинного навчання на основі реального набору даних продажів магазину для розв’язання задачі прогнозування продажів. У результаті виконання дипломної роботи досліджено підходи для прогнозування одиниці товару. Було порівняно точність прогнозування підходів на реальному наборі даних продажів. Загальний обсяг роботи: 57 сторінок, 33 рисунки, 16 посилань. The master's qualification work was completed by Oleksiy Ihorovych Kachmar, a student of the KNSSh-21 group. Topic "Forecasting sales trends in retail trade using time series analysis and machine learning algorithms." The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The object of the study is the processes and mechanisms of analysis and forecasting of sales in the retail trade sector. The subject of research is time series methods and machine learning algorithms applied to forecasting sales in the retail industry. Achieving the goal occurs due to the use of classical approaches when forecasting one unit of the product, such as ARIMA, ARIMA(Trend) + Seasonality and LSTM. Further forecasting of store sales occurs by combining several individual time series into a single series. This process involves summing or averaging data from different sources or categories to obtain an overall view of trends or patterns. Approbation of the forecasting work was carried out using various machine learning algorithms based on a real set of store sales data to solve the problem of sales forecasting. As a result of the thesis, the approaches for forecasting a unit of goods were investigated. The prediction accuracy of the approaches was compared on a real set of sales data. Total volume of work: 57 pages, 33 figures, 16 references.