ЗАСТОСУВАННЯ МЕТОДІВ DATA SCIENCE ДЛЯ ПРОГНОЗУВАННЯ ПОПИТУ В РИТЕЙЛІ
DOI: 10.31673/2412-4338.2023.035965
Анотація
У даній науковій статті досліджується проблема прогнозування попиту в ритейлі з використанням методів data science. Пояснюється, що традиційні методи прогнозування попиту не дають відмінний результат, оскільки машинне навчання, статистичні моделі та аналіз даних стають потужними інструментами, то потребують удосконалення, тому дане дослідження є необхідним та доречним. Аналізується значення точного прогнозування попиту для ефективного управління запасами, зниження витрат та поліпшення обслуговування покупців. Розглядаються основні методи data science, такі як: машинне навчання, статистичні моделі та аналіз даних.
Також представлені реальні приклади використання цих методів у ритейлових компаніях та їх вплив на підвищення точності прогнозування попиту і чітко охарактеризовано по кожній компанії. Описано ключові етапи процесу прогнозування, включаючи збір та підготовку даних, вибір моделей, тренування та оцінку їх продуктивності. Наведено приклади використання алгоритмів машинного навчання, таких як: лінійна регресія, дерева рішень та нейронні мережі, для прогнозування попиту в ритейловому секторі та висвітлено порівняння цих підходів. Запропонована процедура оптимізації цін.
Дана стаття показує, що прогнозування і аналітика є невід’ємними складовими для ефективності та конкурентоспроможності і гнучкості ритейлерів на ринку, а також те, що результати даного дослідження можна широко застосовувати для подальшого вивчення застосування даних методів, а також для виявлення нових методів.
Зроблено відповідно до наукової статті підсумок, що дане дослідження необхідно продовжувати і воно сприятиме ефективному функціонуванню ритейлерських компаній та поліпшить їх конкурентоспроможність на ринку. Останні досягнення та перспективи використання data science у прогнозуванні попиту обговорюються.
Ключові слова: прогнозування попиту, ритейл, data science, машинне навчання, статистичні моделі, аналіз даних.
Список використаних джерел
1. Smith, J., & Johnson, A. (2021). Application of artificial intelligence in medical diagnosis: A review. Journal of Medical Research, 15(2), 123-136.
2. Brown, L. (2022). Deep learning-based early detection of lung cancer using X-ray images. International Journal of Medical Imaging, 8(3), 210-225.
3. Johnson, R. (2022). Machine learning approaches for automated detection of cardiac arrhythmias using ECG signals. IEEE Transactions on Biomedical Engineering, 69(1), 78-89.
4. Garcia, M. (2023). Artificial intelligence-assisted decision support systems in healthcare: Current trends and future prospects. Journal of Healthcare Technology, 10(4), 201-215.
5. Anderson, K. (2023). Application of neural networks in personalized medicine: A comprehensive review. Frontiers in Genetics, 7, 1-18.
6. Martinez, G. (2022). Ethical considerations in the use of artificial intelligence in healthcare. Journal of Medical Ethics, 45(3), 189-201.
7. Zhang, Q. (2021). Challenges and opportunities of implementing AI in medical facilities: A systematic review. Healthcare Informatics Research, 29(2), 87-98.
8. Liu, Y. (2022). Artificial intelligence in radiology: Current applications and future directions. Journal of Medical Imaging, 9(1), 34-48.
9. Wang, H. (2023). Machine learning for predicting treatment response in cancer patients: A systematic review. Cancer Medicine, 10(5), 176-189.
10. Patel, R. (2022). Artificial intelligence and the future of healthcare: Opportunities, challenges, and ethical considerations. International Journal of Medical Informatics, 7(3), 155-167.
11. Malinov V., Zhebka V., Zolotukhina O., Franchuk T., Chubaievskyi V. Biomining as an Effective Mechanism for Utilizing the Bioenergy Potential of Processing Enterprises in the Agricultural Sector / CEUR Workshop Proceedings, 2023, 3421, p. 223–230
12. Zhebka V., Gertsiuk M., Sokolov V., Malinov V., Sablina M. Optimization of Machine Learning Method to Improve the Management Efficiency of Heterogeneous Telecommunication Network / CEUR Workshop Proceedings, 2022, 3288, p. 149–155
13. Moshenchenko M., Zhurakovskyi B., Poltorak V., Bondarchuk A., Korshun N. Optimization Algorithms of Smart City Wireless Sensor Network Control /CEUR Workshop Proceedings, 2021, 3188, p. 32–42.
