Прогнозиране на търсенето на бързооборотни стоки: сравнителен анализ на класически и модерни машинни алгоритми

Abstract

Тази публикация предоставя задълбочен анализ на различни методи за прогнозиране на търсенето в ритейл сектора, включващи както класически статистически модели, така и съвременни алгоритми за машинно обучение. Разгледани са класическите модели ARIMA и тройно експоненциално изглаждане, които са доказали своята ефективност при анализ на времеви редове, както и модерни алгоритми като Prophet, NeuralProphet, Random Forest, XGBoost и LSTM, които демонстрират висока гъвкавост и способност за обработка на сложни зависимости. Проведен е сравнителен анализ на предимствата и ограниченията на тези подходи в контекста на прогнозирането на търсенето на бързооборотни стоки (FMCG). На тази основа са избрани четири модела – ARIMA, тройно експоненциално изглаждане, Prophet и NeuralProphet – за последващ сравнителен анализ, с цел оценка на тяхната ефективност чрез метрики като MAE, MSE, RMSE и MAPE. Настоящото изследване предоставя насоки за оптимален избор на модел спрямо характеристиките на данните и специфичните бизнес нужди, както и посочва възможности за бъдещи изследвания, включително използването на хибридни модели и включването на допълнителни външни фактори за подобряване на прогнозната точност.