Введение 3
Постановка задачи 5
Глава 1. Существующие решения 6
1.1 Excel 6
1.2. Novo Forecast Pro 7
1.3 Forecast NOW 9
Глава 2. Разработка приложения 61
2.1 Разработка нейронной сети 13
2.1.1 Выделение признаков 14
2.1.2 Архитектура нейронной сети 16
2.1.3 Реализация нейронной сети 22
2.2 Разработка веб-сервиса 27
2.2.1 Реализация веб-сервиса 29
Глава 3. Анализ полученного решения 32
Заключение 34
Список литературы 35
В условиях нестабильного рынка деятельность любого бизнеса зависит от точности определения необходимого объема закупок. Обычно из всего многообразия товара, представленного компанией, ходовыми можно считать лишь четверть, остальное, как правило, раскупается с меньшей интенсивностью. Наиболее распространенной является условная классификация товара на две категории: скоропортящиеся и длительного хранения. К первой группе преимущественно относятся продукты питания, ко второй различные товары хозяйственного назначения. Кроме этого весь ассортимент продукции также можно разделить на сезонные товары и товары имеющие постоянный спрос. Например к сезонным товарам можно отнести сувенирную предпраздничную продукцию, спрос на которую в остальные месяцы будет крайне мал.
На плечи закупщика ложится тяжелая задача расчета оптимального количества ликвидного товара. Низкий товарный запас порождает дефицит и негативно сказывается на лояльности клиентов, и напротив, чрезмерное количество влечет издержки хранения.
Для определения закономерностей в данных по продажам и построения прогноза, учитывающего колебания спроса и сезонности необходимого количества продукта, отлично подходят нейронные сети. Приложение, использующее нейронные сети для расчета необходимого количества товара, позволит не только оптимизировать закупки, но и предсказать покупательский спрос, что, в свою очередь, поможет определить поведение потенциальных потребителей и увеличить прибыль предприятия с минимальными затратами.
В данной работе будут рассмотрены уже существующие программные решения, предоставляющие инструменты для прогнозирования закупок и покупательского спроса, выявлены их основные достоинства и недостатки, а также предложено альтернативное решение.
В данной работе были рассмотрены существующие решения используемые для прогнозирования закупок. В результате анализа были выявлены следующие недостатки: высокие трудозатраты для составления прогноза, отсутствие учета дополнительных факторов влияющих на продажи, привязка работы к системам автоматизации.
Были выделены основные критерии, которым должно отвечать разрабатываемое решение. Также был осуществлен анализ методов, которые можно использовать для прогнозирования, выбор архитектуры нейронной сети, подходящей для прогнозирования временных рядов. Разработана, реализована, обучена и протестирована нейронная сеть для прогнозирования закупок на заданный промежуток, учитывающая сезонность продаж.
В результате было создано веб-приложение на основе нейронной сети, позволяющее загрузить данные и получить результат в наглядном виде.
Решение было проанализировано, выявлены основные достоинства и недостатки, а также предложены возможные пути развития для дальнейшего улучшения.
