📄Работа №206519
Тема: РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ПРОДАЖ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
77 листов
Год:
2020
Просмотров:
72
4700
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
АННОТАЦИЯ 2
ВВЕДЕНИЕ 5
ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ ПРОЦЕССА ТОВАРОДВИЖЕНИЯ 7
1.1 Характеристика товарно-розничного предприятия как открытой системы
товародвижения 7
1.2 Моделирование покупательского спроса как основная задача автоматизации
процессов розничного магазина 14
1.3 Существующие методы прогнозирования покупательского спроса 18
Выводы к первому разделу 24
ГЛАВА 2 ИНСТРУМЕНТЫ И МЕТОДЫ ИССЛЕДОВАНИЯ 26
2.1 Основы математического прогнозирования спроса на товар 26
2.2 Модели временных рядов 29
2.3 Классический регрессионный анализ 35
2.4 Регрессия на опорных векторах 38
2.5 Регрессия на основе градиентного бустинга 40
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ПОКУПАТЕЛЬСКОГО СПРОСА 43
3.1 Метрика качества модели 43
3.2 Подготовка данных 44
3.3 Исследовательский анализ данных 45
3.3 Анализ временных рядов по типу магазина 49
3. 4 Метод Prophet 51
3.5 Метод градиентного бустинга 55
Вывод по разделу три 57
ГЛАВА 4 КОММЕРЦИАЛИЗАЦИЯ ПРОЕКТА 58
4.1 Участники процесса коммерциализации 58
4.2 Выбор способа коммерциализации 60
4.3 Описание продукта 65
4.4 Дорожная карта коммерциализации проекта 65
4.5 Объем рынка 68
4.6 Команда проекта 68
4.7 Ценообразование проекта 68
Выводы по разделу четыре 71
ЗАКЛЮЧЕНИЕ 72
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 73
ВВЕДЕНИЕ 5
ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ ПРОЦЕССА ТОВАРОДВИЖЕНИЯ 7
1.1 Характеристика товарно-розничного предприятия как открытой системы
товародвижения 7
1.2 Моделирование покупательского спроса как основная задача автоматизации
процессов розничного магазина 14
1.3 Существующие методы прогнозирования покупательского спроса 18
Выводы к первому разделу 24
ГЛАВА 2 ИНСТРУМЕНТЫ И МЕТОДЫ ИССЛЕДОВАНИЯ 26
2.1 Основы математического прогнозирования спроса на товар 26
2.2 Модели временных рядов 29
2.3 Классический регрессионный анализ 35
2.4 Регрессия на опорных векторах 38
2.5 Регрессия на основе градиентного бустинга 40
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ПОКУПАТЕЛЬСКОГО СПРОСА 43
3.1 Метрика качества модели 43
3.2 Подготовка данных 44
3.3 Исследовательский анализ данных 45
3.3 Анализ временных рядов по типу магазина 49
3. 4 Метод Prophet 51
3.5 Метод градиентного бустинга 55
Вывод по разделу три 57
ГЛАВА 4 КОММЕРЦИАЛИЗАЦИЯ ПРОЕКТА 58
4.1 Участники процесса коммерциализации 58
4.2 Выбор способа коммерциализации 60
4.3 Описание продукта 65
4.4 Дорожная карта коммерциализации проекта 65
4.5 Объем рынка 68
4.6 Команда проекта 68
4.7 Ценообразование проекта 68
Выводы по разделу четыре 71
ЗАКЛЮЧЕНИЕ 72
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 73
📖 Аннотация
В данной работе разрабатываются модели прогнозирования продаж на основе методов машинного обучения для оптимизации управления товарными запасами. Исследование актуально в связи с необходимостью повышения эффективности решений в розничной торговле через точное предсказание спроса, что минимизирует логистические издержки и потери от неликвидных остатков. Основным результатом является сравнительный анализ алгоритмов, включая модель Prophet и градиентный бустинг, который показал преимущество последнего по точности прогнозирования в заданных условиях. Научная значимость заключается в адаптации и верификации современных методов машинного обучения для анализа временных рядов продаж, а практическая — в создании инструментария, пригодного для внедрения в системах управления цепями поставок. Теоретической основой послужили труды Афанасьева В.Н. и Юзбашева М.М. по анализу временных рядов, Айвазяна С.А. по эконометрическим методам, а также исследования Баля А.В. и Логиновского О.В. в области автоматизации товарных заказов.
📖 Введение
Построение систем машинного обучения является на сегодняшний день одной из самых популярных, актуальных областей человеческой деятельности на стыке информационных технологий, математического анализа и статистики. Задачи прогнозирования решаются в различных сферах человеческой деятельности, например, науке, производстве, экономике и др.
Главной целью прогнозирования является предсказание будущего поведения объекта прогнозирования. Сам процесс прогнозирования является одной из задач машинного обучения и одним из важнейших моментов принятия решений при оптимизации товарного запаса, логистики и необходимых ресурсов. Решение задачи прогнозирования направлено на определение тенденций развития конкретного объекта или действия на основе предшествующих данных, точнее на анализе их состояний в прошлом и настоящем. Исходя из этого, для решения задачи прогнозирования требуется наличие определенной обучающей выборки данных.
В магистерской диссертации рассматриваются математические модели и методы, предназначенные для прогнозирования временных рядов. Примерами таких моделей и методов являются: метод сингулярного спектрального анализа, модель сезонного скользящего среднего, ARIMA.
В данной работе исследуются популярные алгоритмы предсказания продаж с использованием больших данных и технологий машинного обучения. Также рассмотрены вопросы, связанные с решением задачи прогнозирования временных рядов. Также рассматривается алгоритм определения тренда и сезонности продаж товаров определенного типа.
Основной целью работы является разработка алгоритма прогнозирования продаж товара и сравнение созданного прогноза с существующими данными. Таким образом, объектом исследований является технологии машинного обучения для создания прогноза. Предметом исследования - алгоритмы прогнозирования продаж товаров определенного типа.
Основные задачи:
1) Анализ литературных источников, исследование основных требований к реализации алгоритма предсказания.
2) Изучение процессов создания алгоритмов предсказания с использованием технологий машинного обучения.
3) Исследование популярных алгоритмов предсказания, подходящих для решения поставленной задачи.
4) Выбор методов, способов и задачи машинного обучения. Выбор модели и метода прогнозирования.
Главной целью прогнозирования является предсказание будущего поведения объекта прогнозирования. Сам процесс прогнозирования является одной из задач машинного обучения и одним из важнейших моментов принятия решений при оптимизации товарного запаса, логистики и необходимых ресурсов. Решение задачи прогнозирования направлено на определение тенденций развития конкретного объекта или действия на основе предшествующих данных, точнее на анализе их состояний в прошлом и настоящем. Исходя из этого, для решения задачи прогнозирования требуется наличие определенной обучающей выборки данных.
В магистерской диссертации рассматриваются математические модели и методы, предназначенные для прогнозирования временных рядов. Примерами таких моделей и методов являются: метод сингулярного спектрального анализа, модель сезонного скользящего среднего, ARIMA.
В данной работе исследуются популярные алгоритмы предсказания продаж с использованием больших данных и технологий машинного обучения. Также рассмотрены вопросы, связанные с решением задачи прогнозирования временных рядов. Также рассматривается алгоритм определения тренда и сезонности продаж товаров определенного типа.
Основной целью работы является разработка алгоритма прогнозирования продаж товара и сравнение созданного прогноза с существующими данными. Таким образом, объектом исследований является технологии машинного обучения для создания прогноза. Предметом исследования - алгоритмы прогнозирования продаж товаров определенного типа.
Основные задачи:
1) Анализ литературных источников, исследование основных требований к реализации алгоритма предсказания.
2) Изучение процессов создания алгоритмов предсказания с использованием технологий машинного обучения.
3) Исследование популярных алгоритмов предсказания, подходящих для решения поставленной задачи.
4) Выбор методов, способов и задачи машинного обучения. Выбор модели и метода прогнозирования.
✅ Заключение
В ходе написания диссертационной работы, был рассмотрен процесс моделирования покупательского спроса путем машинного обучения. Так же проведен анализ существующих методов.
В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как логистическая регрессия, заканчивая градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно модель прогнозирования с помощью Prophet, метод градиентного бустинга. Из сравнения моделей был сделан вывод, что второй способ при выбранных условиях подходит лучше, и точнее по показателям.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом, была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
В качестве инструментов прогнозирования рассматривались методы машинного обучения, начиная от простых методов, таких как логистическая регрессия, заканчивая градиентным бустингом. Сравнительный анализ методов позволил выбрать необходимые инструменты для анализа, а именно модель прогнозирования с помощью Prophet, метод градиентного бустинга. Из сравнения моделей был сделан вывод, что второй способ при выбранных условиях подходит лучше, и точнее по показателям.
В заключение работы был рассмотрен проект коммерциализации. В нем были рассмотрены методы коммерциализации, на основе сравнения этих методов был выбран метод полной передачи прав на инновацию. Так же были построена дорожная карата проекта, включающая в себя этапы необходимые для вывода проекта на рынок. Была произведена оценка рынка по показателям: потенциальный объем рынка, общий объём целевого рынка, доступный объем рынка, реально достижимый объем рынка. Были произведены плановые расчеты затрат на реализацию проекта, а также рассчитана цена на единицу продукции. В конце главы были рассмотрены и выбрана форма распоряжения авторскими правами на основе существующего законодательства.
Таким образом, была достигнута цель исследования и были выполнены поставленные задачи в начале исследования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.