В данной статье приведено описание существующих нейронных сетей для прогнозирования объема продаж, их функции и возможности. На основании этого представлен алгоритм для прогнозирования объема продаж ООО «Сфера» с помощью нейронных сетей.
Ключевые слова: нейронная сеть, разработка, объемы продаж, прогнозирование.
Прогноз объема продаж — это предсказание, оценка и суждение о процессе развития продаж организации и тенденциях изменения их объема. Суть прогнозирования объема продаж заключается в особом методе анализа, который связан с будущим, а также с неопределённостью. Весь процесс прогнозирования — это научный анализ деятельности по продажам продукции. Процесс анализа в основном основан на фактических данных и прошлом опыте, использует научные методы и средства для моделирования процесса развития объема продаж в прошлом и получения тенденции изменения процесса развития в будущем.
Процесс прогнозирования временных рядов объемов продаж включает в себя следующие этапы: подготовка данных, определение алгоритма, оценка прогнозирования и оптимизация [2, с. 138].
На этапе подготовки данных в основном осуществляется сбор данных, выбор характеристик данных, сегментация временных рядов, кластеризация для получения наборов данных, прогнозирование, оценки и оптимизации. На этапе определения алгоритма определяется модель прогнозирования и метод расчёта. Этап оценки и оптимизации прогнозирования включает в себя определение показателей обратной связи и оптимизацию модели в соответствии с результатами прогнозирования.
Большинство традиционных алгоритмов прогнозирования временных рядов объемов продаж в качестве основного объекта исследования используют последовательность целевых переменных. Среди них можно выделить авторегрессионную модель, векторную авторегрессионную модель.
С развитием технологий глубокого обучения рекуррентная нейронная сеть (RNN) широко используется для решения задач, связанных с последовательностями, и демонстрирует более высокую способность к обучению, чем традиционная линейная модель. Особенно в задачах динамического прогнозирования модель глубокого обучения обладает хорошей способностью к нелинейному отображению и обобщению, что позволяет лучше моделировать переменные характеристики объемов продаж организации, нелинейные связи и зависимости временных рядов.
Среди различных моделей глубоких нейронных сетей долговременная кратковременная память (LSTM) эффективно решает проблему зависимости от длинной последовательности, вводя структуру затвора и сохраняя долговременную информацию, которую необходимо запоминать в последовательности признаков [1, с. 145].
Кроме того, с помощью мощных возможностей нейронной сети по обработке разнородных данных некоторые учёные разработали метод слияния, основанный на структуре долговременной и кратковременной нейронной сети. Модель прогнозирования основана на комбинированных переменных характеристиках. Недавние исследования показали, что внедрение механизма внимания в задачу прогнозирования последовательностей позволяет более эффективно и быстро отсеивать информацию, которая более важна для текущей задачи, тем самым ещё больше повышая точность прогнозирования. Однако традиционный механизм внимания в основном ориентирован на временной аспект и не может различать различные эффекты многомерных временных рядов.
Простой способ реализации нейросети в ООО «Сфера» можно получить с помощью языка программирования Python.
Входными данными для нейросети послужат:
— статистика продаж за определяемый пользователем период;
— тип дня (будни, выходные, праздники);
— акции и скидки.
Выходными данными будут являться прогнозируемые значения объемов продаж.
Информационная система предприятия (ИС) — это соединение техники, программ и людей, обеспечивающее получение своевременной и достоверной информации, необходимой для принятия управленческих решений.
Анализ требований и ограничений привел к выделению двух основных направлений реализации информационной системы. Прежде всего, рассматривается создание веб-приложения, представляющего собой современную клиент-серверную архитектуру, где взаимодействие пользователя с сервером происходит посредством веб-браузера.
Альтернативным подходом выступает разработка десктопного приложения. Данный тип программного обеспечения функционирует автономно, используя исключительно локальные вычислительные ресурсы компьютера пользователя. Исполняемый код и необходимые библиотеки расположены непосредственно на рабочей станции, что обеспечивает высокую производительность и возможность работы без постоянного доступа к сети [4].
Каждый из рассматриваемых вариантов имеет свои преимущества и ограничения, которые необходимо учитывать при принятии окончательного решения.
Проектируемая многокомпонентная платформа основана на принципах микросервисной архитектуры, что обеспечивает высокую масштабируемость и отказоустойчивость.
Центральным элементом разрабатываемого комплекса выступает специализированный микросервис, реализующий алгоритмы машинного обучения и нейросетевые вычисления. Данный компонент не только производит расчеты по заданным параметрам, но и координирует движение информационных потоков между всеми частями системы.
Для хранения и структурированного доступа к информации система опирается на высокопроизводительную базу данных, оптимизированную для работы с разнородной информацией и обеспечивающую целостность данных при конкурентном доступе. Взаимодействие с конечными пользователями реализуется через интуитивно понятный веб-интерфейс, предоставляющий доступ ко всем функциональным возможностям системы.
Совокупность этих трех ключевых компонентов — веб-интерфейса для взаимодействия с пользователями, структурированного хранилища данных и интеллектуального вычислительного ядра — формирует единую экосистему, способную эффективно решать широкий спектр аналитических задач с применением современных методов искусственного интеллекта.
На рис. 1 представлена схема работы разрабатываемой информационной системы.
Рис. 1. Схема работы разрабатываемой информационной системы для прогнозирования объема продаж ООО «Сфера»
Для обработки итоговых данных аналитикам потребуется интерфейс по внесению корректировок, его можно реализовать с помощью ЯП Java, предполагается, что это будет совокупность функционала интерактивных графиков и выгрузок по выбранным параметрам в Excel, а также обратная заливка этих значений для корректировки.
В настоящее время рынок предлагает готовые решения для прогнозирования, такие как Oracle Demantra, Blue Yonder и SAP. Однако эти инструменты часто характеризуются высокой стоимости обслуживания, медленной технической поддержки и устаревшего пользовательского интерфейса [3, с. 57].
При создании собственной разработки дизайн интерфейса ограничивается только креативностью команды разработчиков, а затраты на обслуживание сводятся лишь к поддержке MS SQL сервера. После импорта файла пользователем в специальную таблицу базы данных, система должна автоматически запускать применение корректировок к итоговым значениям посредством хранимых процедур, обеспечивающих необходимую обработку данных.
Таким образом, среди очевидных достоинств разрабатываемой системы можно выделить доступность всех технологий, легкость доработки, доступность информации по теме и решение проблемы затянутой обратной связи от технической поддержки.
Литература:
- Кравченко К. А. Применение нейросетевых технологий в прогнозировании продаж / К. А. Кравченко, В. В. Ткаченко // В сборнике: Наука XXI века: проблемы, перспективы и актуальные вопросы развития общества, образования и науки. Материалы международной межвузовской осенней научно-практической конференции. 2020. С. 145–150.
- Ливенцева А. В. Использование нейронной сети при прогнозировании объема продаж торговой фирмы / А. В. Ливенцева // Вестник науки и образования. Компьютерные и информационные науки, 2022 г.
- Параскевов А. В. Особенности применения методов многокритериальной оптимизации в сфере торговли и общественного питания / А. В. Параскевов, О. Д. Молько, К. А. Кравченко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2022.
- Программное обеспечение для прогнозирования продаж. [Электронный ресурс]: https://gmdhsoftware.com/ru/sales-forecasting-software.