Elektroninės parduotuvės veido kategorijos prekių pardavimų prognozavimas
Šalonikaitė, Deimantė |
Vienas svarbiausių verslų veiksmų, skirtas finansinei sėkmei yra pardavimų prognozavimas. Tyrimo problema. Netikslingai suprognozuoti užsakomų prekių kiekiai mažmenai, neatsižvelgiant į elektroninės parduotuvės pardavimus gali sukelti trūkumus centriniame sandėlyje. Tam tikros prekės gali būti sparčiai perkamos ne tik fizinėje parduotuvėje, bet ir internetinėje. Tinkamas prognozės modelis padėtų optimizuoti sandėlio likučius, identifikuoti prekės plėtimo ar mažinimo galimybes, vertinti reikšmingus marketinginius sprendimus. Šiame darbe aprašomas tyrimo objektas — įmonės „X“ elektroninės parduotuvės veido priežiūros kategorijos savaitiniai pardavimai. Darbo tikslas — atlikti prekių prognozavimą taikant laiko eilučių ir mašininio mokymo metodus. Tyrimo metodai. Nagrinėjami elektroninės parduotuvės kategorijos duomenys intervale nuo 2021 metų 33 savaitės iki 2024 metų 6 savaitės imtinai. Pardavimų prognozavimui atlikti taikyti metodai: tiesinė regresija, apibendrinta tiesinė regresija, panelinių duomenų (bendrosios konstantos, fiksuoto efekto, atsitiktinio efekto), laiko eilučių (eksponentinis išlyginimas,(S)AR(I)MA, Prophet), ekstremalus gradiento didinimas, lengvojo gradiento didinimas, atsitiktinis miškas, atraminių vektorių regresija. Gauti rezultatai atskleidė, jog tiksliausi rezultatai gauti taikant mašininio mokymo metodus. Vienas iš tiksliausių — atraminių vektorių regresija su naujais kintamaisiais.
One of the most important business actions for financial success is sales forecasting. Research Problem. Inaccurately forecasted order quantities for retail, without considering e-commerce sales, can lead to shortages in the central warehouse. Certain products may be in high demand not only in physical stores but also in online shops. An appropriate forecasting model would help optimize warehouse stock levels, identify opportunities for product expansion or reduction, and assess significant marketing decisions. This study examines the research object — the weekly sales of face care products in company “X” e-commerce store. Research Aim. Perform product forecasting using time series and machine learning methods. Research Methods. The analysis focuses on data from an online store’s categories, covering the period from week 33 of 2021 to week 6 of 2024, inclusive. The following methods were applied for sales forecasting: linear regression, generalized linear regression, panel data methods (pooled regression, fixed effects, random effects), time series models (exponential smoothing, (S)AR(I)MA, Prophet), extreme gradient boosting, light gradient boosting, random forest, and support vector regression. The results revealed that the most accurate forecasts were obtained using machine learning methods. One of the most precise approaches was support vector regression with newly introduced variables.