У доповіді розглянуто підходи до підвищення точності прогнозування попиту в роздрібній торгівлі шляхом застосування методів інтелектуального аналізу даних (Data Mining). Метою дослідження є аналіз і адаптація відповідних алгоритмів для задач управління запасами, а також обґрунтування їх інтеграції в майбутню аналітичну систему.

Розглянуто чотири ключові методи:

• 1R (алгоритм одного правила) — для побудови простих, інтерпретованих правил класифікації товарів і торгових точок;

• Наївний баєсівський класифікатор — для прогнозування попиту з урахуванням ймовірностей і ризиків;

• Асоціативні правила (Apriori) — для виявлення закономірностей впливу зовнішніх факторів (регіон, погода, сезон) на рівень продажів;

• Кластеризація K-Means — для сегментації торгових точок за динамікою продажів і поведінкою.

Апробація методів показала їхню ефективність у виявленні закономірностей, формуванні прогнозів і підтримці управлінських рішень. Усі методи передбачається реалізувати як аналітичні модулі в адаптивній системі управління запасами, що дозволить автоматизувати формування рекомендацій і оперативно реагувати на зміни ринку.