Πρόβλεψη πωλήσεων σε προϊόντα ταχείας κατανάλωσης με τη χρήση Μηχανικής Μάθησης

Abstract

Το αντικείμενο αυτής της διατριβής είναι η ανάλυση του ρόλου της μηχανικής μάθησης στην πρόβλεψη πωλήσεων, και συγκεκριμένα την πρόβλεψη πωλήσεων προϊόντων ταχείας κατανάλωσης με χρήση μηχανικής και βαθείας μάθησης. Η μηχανική μάθηση είναι ένα εξαιρετικό εργαλείο για προβλέψεις, καθώς έχει τη δυνατότητα να αναλύει σε βάθος τα πραγματικά δεδομένα και χρονοσειρές και να δημιουργεί βελτιστοποιημένα μοντέλα. Σε αντίθεση με τις παραδοσιακές μεθοδολογίες πρόβλεψης πωλήσεων που σχεδιάζουν και προτείνουν γενικά μοντέλα και πρακτικές, χάρη στη μηχανική μάθηση, μπορούμε να αναπτύξουμε εργαλεία πλήρως προσαρμοσμένα στις συνθήκες και τα χαρακτηριστικά κάθε επιχείρησης και οργανισμού. Επιλέχθηκε το παρόν θέμα, διότι οι προβλέψεις πωλήσεων αποτελούν ταυτόχρονα μερικές από τις πιο σημαντικές αποφάσεις για μία επιχείρηση, και με τη χρήση μηχανικής μάθησης, υπάρχει σημαντικό περιθώριο βελτίωσης των προβλέψεων συγκριτικά με τα παραδοσιακά μοντέλα λήψης αποφάσεων. Συγκεκριμένα, στην παρούσα διπλωματική αναλύονται οι εξελίξεις στον σχετικό ερευνητικό τομέα και κάνουμε τη δική μας ανάλυση και εκπαίδευση μοντέλων, με έμφαση στην πρόβλεψη πωλήσεων για προϊόντα ταχείας κατανάλωσης. Ο λόγος είναι ότι τα προϊόντα ταχείας κατανάλωσης αφορούν μία πληθώρα επιχειρήσεων, αλλά και η πρόβλεψη πωλήσεων τους, λόγω συγκεκριμένων χαρακτηριστικών τους, έχει μεγάλη σημασία για την κερδοφορία των σχετικών επιχειρήσεων. Στόχος είναι τελικά η συγκριτική ανάλυση μοντέλων και μεθόδων για την επίλυση του παραπάνω προβλήματος, αλλά και η κατασκευή ενός μετα-μοντέλου μηχανικής μάθησης με πολύ καλή ακρίβεια για την πρόβλεψη πωλήσεων προϊόντων ταχείας κατανάλωσης. Για να το πετύχουμε αυτό, δοκιμάσαμε μερικά από τα πιο σύγχρονα και αποδοτικά μοντέλα στην πρόβλεψη πωλήσεων και τελικά κρατήσαμε τα καλύτερα μοντέλα, υψηλότερης ακρίβειας, και με χρήση τεχνικών Συνολικής Μάθησης (Ensemble learning) και Μέτα-μάθησης (Meta-learning) παράξαμε ενιαία συγκεντρωτικά μοντέλα προβλέψεων. Δείξαμε, όπως περιμέναμε, ότι με μικρό επιπλέον κόστος, μπορούμε να έχουμε συνδυαστικά αποτελέσματα καλύτερα από τα επιμέρους αποτελέσματα κάθε μοντέλου. Τέλος, συγκρίναμε διαφορετικές τεχνικές συνολικής μάθησης μεταξύ τους, για διαφορετικά μοντέλα, για να ελέγξουμε ποια δίνει τα καλύτερα δυνατά αποτελέσματα και, συνεπώς, προτείνουμε σε επιχειρίσεις του χώρου. Συνολικά, η μεθοδολογία μας κατάφερε να συγκρίνει διαφορετικά μοντέλα τόσο μηχανικής, όσο και βαθειάς μάθησης για την περίπτωση πρόβλεψης πωλήσεων προϊόντων ταχείας κατανάλωσης και να βρούμε τα βέλτιστα μοντέλα και τεχνικές με ανάλυση κόστους-αξίας για το συγκεκριμένο πρόβλημα. Έτσι, η μέθοδος και τα αποτελέσματα μας είναι πολύ χρήσιμα για τις επιχειρήσεις που παράγουν και εμπορεύονται προϊόντα ταχείας κατανάλωσης, αφού δημιουργούμε για αυτές έναν χάρτη για να αυξήσουν την ακρίβεια των μοντέλων τους. Ταυτόχρονα, αξιοποιώντας τα αποτελέσματα μας, μπορούν να γλιτώσουν εξαιρετικά μεγάλο κομμάτι της επένδυσης τους, αφού μπορούν να δουν ποια δεδομένα είναι σημαντικά για την πρόβλεψη των πωλήσεων τους και ποιοι αλγόριθμοι μηχανικής μάθησης δίνουν την βέλτιστη ακρίβεια, και άρα αξίζει να δοκιμαστούν και στην δική τους περίπτωση. Η μέθοδος και τα αποτελέσματά μας μπορούν να γίνουν οδηγός για την ανάπτυξη μοντέλων πρόβλεψης πωλήσεων στις εταιρείες προϊόντων ταχείας κατανάλωσης, αλλά μπορούν και να χρησιμοποιηθούν ως σημείο αναφοράς από επιχειρήσεις σε άλλες βιομηχανίες, αλλά και πρόσθετα πειράματα και έρευνα σε πρόσθετες κατηγορίες προϊόντων.