Визначення маркетингових параметрів для побудови моделі прогнозування попиту за допомогою нейронних мереж

Автор(и)

  • Віктор Михайлович Синєглазов Національний авіаційний університет, Київ https://orcid.org/0000-0002-3297-9060
  • Mихайло Сергійович Новіков Національний технічний університет України «Київський політехнічний інститут ім. І. Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.78.18263

Ключові слова:

визначення маркетингових параметрів, прогнозування, нейронні мережі, регресійні моделі, багатошаровий персептрон

Анотація

Cтаттю присвячено знаходженню маркетингових параметрів для побудови моделі прогнозування попиту за допомогою нейронних мереж з використанням реальних даних. У роботі розглянуто проблему в області моделювання попиту товару на ринку в маркетингу за допомогою методів штучного інтелекту та машинного навчання. Показано основні особливості існуючих підходів до побудови моделей товарів на ринку, їх переваги та недоліки. Виявлено потребу у їх вдосконаленні. Представлено нову методологію для розвʼязання задачі. Продемонстрована здатність моделі гарно прогнозувати споживчий попит на основі різноманітних маркетингових параметрів, що допомагає підприємствам ефективніше планувати запаси, виробництво та персонал і може призвести до значної економії коштів і підвищення ефективності.

Біографії авторів

Віктор Михайлович Синєглазов , Національний авіаційний університет, Київ

Доктор технічних наук

Професор

Завідувач кафедрою авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації електроніки і телекомунікацій

Mихайло Сергійович Новіков , Національний технічний університет України «Київський політехнічний інститут ім. І. Сікорського»

Магістрант

Кафедра штучного інтелекту

Інститут прикладного системного аналізу

Посилання

Armstrong J. Scott, and Kesten C. Green. "Demand forecasting II: Evidence-based methods and checklists," 2017. URL: https://faculty.wharton.upenn.edu/wp-content/uploads/2017/05/JSA-Demand-Forecasting-89-clean.pdf

Silveira Netto, Carla Freitas & Brei, Vinicius Andade, Demand Forecasting in Marketing: Methods, Types of Data, and Future Research, 2017.

C. Ingle, D. Bakliwal, J. Jain, P. Singh, P. Kaleand V. Chhajed, "Demand Forecasting: Literature Review on Various Methodologies," 2021, 12th International Conference on Computing Communication and Networking Technologies (ICCCNT), Kharagpur, India, 2021, pp. 1–7, https://doi.org/10.1109/ICCCNT51525.2021.9580139.

eWorldFulfillment, "Demand Forecasting: Methods, Models, and Examples." eWorldFulfillment, 2021. URL: https://eworldfulfillment.com/blog/demand-forecasting-methods/

E. S. Gardner, “Exponential smoothing: The state of the art—Part II”, International Journal of Forecasting, vol. 22, no. 4, pp. 637–666, Oct. 2006. [Online]. Available: https://doi.org/10.1016/j.ijforecast.2006.03.005

A. Mitra, A. Jain, A. Kishore, and et al. “A Comparative Study of Demand Forecasting Models for a Multi-Channel Retail Company: A Novel Hybrid Machine Learning Approach,” Oper. Res. Forum, 3, 58 (2022). https://doi.org/10.1007/s43069-022-00166-4

M. Seyedan, & F. Mafakheri, “Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities,” Journal of Big Data, vol. 7, Article number: 53, 2020. https://doi.org/10.1186/s40537-020-00329-2.

A. Aktepe, E. Yanık, & S. Ersöz, “Demand forecasting application with regression and artificial intelligence methods in a construction machinery company,” J Intell Manuf, 32, 1587–1604, 2021. https://doi.org/10.1007/s10845-021-01737-8

A. Mitra, A. Jain, A. Kishore, and et al., “A Comparative Study of Demand Forecasting Models for a Multi-Channel Retail Company: A Novel Hybrid Machine Learning Approach,” Oper. Res. Forum, 3, 58, 2022. https://doi.org/10.1007/s43069-022-00166-4

Guoping Xu, Hanqiang Cao, Youli Dong, Chunyi Yue, Kexin Li, and Yubing Tong, “Focal Loss Function based DeepLabv3+ for Pathological Lymph Node Segmentation on PET/CT,” Proceedings of the 2020 2nd International Conference on Intelligent Medicine and Image Processing, 2020 pp. 24–28. https://doi.org/10.1145/3399637.3399651.

G. Behera, A. Bhoi,, A. K. Bhoi, “A Comparative Analysis of Weekly Sales Forecasting Using Regression Techniques,” In: Udgata, S.K., Sethi, S., Gao, XZ. (eds) Intelligent Systems. Lecture Notes in Networks and Systems, vol 431, 2022. Springer, Singapore. https://doi.org/10.1007/978-981-19-0901-6_4

T. Gopalakrishnan, Ritesh Choudhary, and Sarada Prasad, "Prediction of Sales Value in Online shopping using Linear Regression," 2018 4th International Conference on Computing Communication and Automation (ICCCA), Greater Noida, India, 2018, pp. 1–6, https://doi.org/10.1109/CCAA.2018.8777620.

D. Schiessl, H. B. A. Dias, & J. C. Korelo, “Artificial intelligence in marketing: a network analysis and future agenda.” J Market Anal, 10, 207–218, 2022. https://doi.org/10.1057/s41270-021-00143-6

Jun Zhu, Jianfei Chen, Wenbo Hu, and Bo Zhang, “Big Learning with Bayesian methods,” National Science Review, vol. 4, Issue 4, July 2017, pp. 627–651, https://doi.org/10.1093/nsr/nwx044

G.M. Allenby, E.T. Bradlow, E.I. George, et al. “Perspectives on Bayesian Methods and Big Data,” Cust. Need. And Solut. 1, 169–175, 2014. https://doi.org/10.1007/s40547-014-0017-9

M. Scutari, C. Vitolo, & A. Tucker, “Learning Bayesian networks from big data with greedy search: computational complexity and efficient implementation,” Stat Comput, 29, 1095–1108, 2019. https://doi.org/10.1007/s11222-019-09857-1

D. G. Rasines & G. A. Young, “Empirical Bayes and Selective Inference,” J Indian Inst Sci, 102, 1205–1217, 2022. https://doi.org/10.1007/s41745-022-00286-0

L. Alzubaidi, J. Zhang, A. J. Humaidi, and et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, futuredirections,” J Big Data, 8, 53, 2021. https://doi.org/10.1186/s40537-021-00444-8

Nan Zheng and Pinaki Mazumder, "Fundamentals and Learning of Artificial Neural Networks," in Learning in Energy-Efficient Neuromorphic Computing: Algorithm and Architecture Co-Design, IEEE, 2020, pp. 11–60, https://doi.org/10.1002/9781119507369.ch2.

R. Zese, E. Bellodi, M. Fraccaroli, F. Riguzzi, E. Lamma, 2022, “Neural Networks and Deep Learning Fundamentals,” In: Micheloni, R., Zambelli, C. (eds) Machine Learning and Non-volatile Memories. Springer, Cham. https://doi.org/10.1007/978-3-031-03841-9_2

O. A. Montesinos López, A. Montesinos López, & J. Crossa, “Fundamentals of Artificial Neural Networks and Deep Learning,” In: Multivariate Statistical Machine Learning Methods for Genomic Prediction. 2022, Springer, Cham. https://doi.org/10.1007/978-3-030-89010-0_10

Wei Wang & Ruyi Yang, “Enterprise Network Marketing Prediction Using the Optimized GA-BP Neural Network,” Complexity, 2020, Article No. 6682296. https://doi.org/10.1155/2020/6682296.

##submission.downloads##

Опубліковано

2023-12-27

Номер

Том 4 № 78 (2023)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).