Details

Целью исследования является разработка моделей машинного обучения для прогнозирования объёмов продаж и алгоритмов оптимизации управления товарными запасами в сфере розничной торговли. Исследование выполнялось на базе анализа данных о продажах, а также методов машинного обучения, включая LightGBM, Random Forest, Linear Regression и Prophet. Для решения задачи оптимизации запасов использованы модель Newsvendor и метод ABC-сегментации. Предметом ВКР являются модели машинного обучения и алгоритмы оптимизации, применяемые для решения задач прогнозирования объёмов продаж и оптимизации управления запасами. Методы исследования включают машинное обучение, анализ временных рядов, оптимизационные модели, сравнительный анализ моделей. Основными результатами исследования являются разработка и реализация моделей прогнозирования объёмов продаж, продемонстрировавшие высокую точность прогнозов. Проведена оптимизация запасов с применением модели Newsvendor и метода ABC-сегментации. Разработаны рекомендации по применению моделей в бизнес-практике розничных компаний. Область применения результатов ВКР – компании розничной торговли, заинтересованные в повышении точности прогнозирования спроса и оптимизации управления товарными запасами. Научная новизна заключается в разработке комплексного подхода к прогнозированию спроса и управлению запасами, основанного на использовании моделей машинного обучения и оптимизационных алгоритмов. Впервые предложена комбинация моделей Prophet и Newsvendor с адаптацией для ABC-сегментации. Выводы. Задачи ВКР решены, цель достигнута, определена область применения результатов.

The purpose of the research is to develop machine learning models for sales forecasting and algorithms for inventory management optimization in retail. The research was conducted based on sales data analysis and machine learning methods, including LightGBM, Random Forest, Linear Regression, and Prophet. The inventory optimization problem was solved using the Newsvendor model and ABC segmentation method. The subject of the thesis is machine learning models and optimization algorithms for solving the problems of sales forecasting and inventory management. Research methods are machine learning, time series analysis, optimization models, comparative model analysis. Main results are the developed and implemented forecasting models demonstrated high prediction accuracy. Inventory optimization was achieved using the Newsvendor model and ABC segmentation method. Recommendations for applying the models in the business practice of retail companies were developed. The field of application is retail companies interested in improving the accuracy of demand forecasting and optimizing inventory management. The scientific novelty is the development of a comprehensive approach to demand forecasting and inventory management based on the use of machine learning models and optimization algorithms. A combination of Prophet and Newsvendor models with adaptation for ABC segmentation was proposed for the first time. Conclusions. The thesis objectives have been achieved, the goal has been met, and the scope of results has been defined.