Використання методів машинного навчання для прогнозування попиту на продукти в роздрібній торгівлі

Скоропляс, Ангеліна Валеріївна (2025) Використання методів машинного навчання для прогнозування попиту на продукти в роздрібній торгівлі [Кваліфікаційні роботи здобувачів] Перший (бакалаврський). Дата захисту: 18.06.2025, Київський столичний університет імені Бориса Грінченка.

Текст A_Skoroplias_FITM_2025.pdf Download (983kB)

Анотація

ктуальність: У сучасних умовах високої конкуренції на ринку роздрібної торгівлі ефективне управління товарними запасами та прогнозування попиту на продукти харчування є ключовими факторами забезпечення прибутковості підприємства. Помилки у прогнозах можуть призвести до перевищення запасів, втрат через псування продуктів або, навпаки, до дефіциту товарів і втрати клієнтів. Використання методів машинного навчання відкриває нові можливості для точного прогнозування попиту, дозволяючи враховувати безліч змінних і тенденцій, зокрема сезонність, цінові коливання, погодні умови, маркетингові акції тощо. Саме тому тема розробки моделі прогнозування попиту на основі сучасних алгоритмів машинного навчання є актуальною та практично значущою. Об’єкт дослідження: Процес прогнозування попиту на продукти в роздрібній торгівлі. Предмет дослідження: Методи та моделі машинного навчання, що використовуються для прогнозування попиту на продукти. Мета роботи: розробити модель прогнозування попиту на продукти в роздрібній торгівлі з використанням методів машинного навчання, яка дозволить: точніше прогнозувати обсяги продажів різних товарів; оптимізувати закупівлю та управління запасами; зменшити витрати на зберігання та утилізацію продуктів; підвищити ефективність роботи магазинів та збільшити прибуток.Завдання дослідження: проаналізувати фактори, що впливають на попит на продукти в роздрібній торгівлі (сезонність, ціни, акції, погода, розташування магазину тощо); зібрати історичні дані про продажі продуктів, включаючи інформацію про ціни, акції, сезонність, погоду та інші фактори; підготувати дані для навчання моделей машинного навчання, включаючи очищення даних, обробку пропущених значень та перетворення ознак; вибрати та обґрунтувати вибір алгоритмів машинного навчання для прогнозування попиту (лінійна регресія, дерева рішень, нейронні мережі тощо); навчити моделі машинного навчання на історичних даних та оцінити їх точність; розробити програмне забезпечення для прогнозування попиту на продукти з використанням розроблених моделей; провести тестування та валідацію розробленої системи прогнозування. Основні результати: у ході дослідження було розроблено та реалізовано модель прогнозування попиту на продукти з використанням методів машинного навчання. Проведено аналіз факторів, що впливають на попит, зібрано та оброблено відповідні дані, обрано оптимальні алгоритми для побудови моделей. Результати тестування підтвердили ефективність використаних методів для точного прогнозування попиту. Практичне значення дослідження: Розроблена модель може бути впроваджена в торговельні підприємства для автоматизованого прогнозування попиту, що дозволить оптимізувати товарні запаси, зменшити втрати, підвищити рівень обслуговування клієнтів і забезпечити зростання фінансових показників компанії.

Тип елементу :	Кваліфікаційні роботи здобувачів (Перший (бакалаврський))
Ключові слова:	machine learning, demand forecasting, neural networks, data analytics, Python, TensorFlow, databases
Шифр освітньої програми:	122.00.01
Шифр академічної групи:	ІНб-2-21-4.0д
ПІБ наукового керівника:	Носенко Тетяна Іванівна
Дата захисту:	18.06.2025
Місце захисту:	Київський столичний університет імені Бориса Грінченка
Типологія:	Кваліфікаційні роботи здобувачів > Інформатика
Підрозділи:	Факультет інформаційних технологій та математики > Кафедра комп'ютерних наук
Користувач, що депонує:	Ізабелла Андріївна Соболенко
Дата внесення:	05 Лист 2025 14:39
Останні зміни:	05 Лист 2025 14:39
URI:	https://elibrary.kubg.edu.ua/id/eprint/53542

Actions (login required)

Перегляд елементу