Актуальність теми. У сучасній електронній комерції традиційні методи управління запасами поступаються місцем інтелектуальним системам. Автоматизація прогнозування на основі Machine Learning дозволяє мінімізувати логістичні ризики, оптимізувати обіг капіталу та конвертувати масиви даних у ринкову перевагу

Мета роботи. Розробка програмного забезпечення для аналізу та прогнозування попиту, що інтегрує методи машинного навчання для оптимізації стратегічного планування онлайн-продажів.

Програмна реалізація:

Стек технологій: Мова Python та аналітичні бібліотеки Pandas і NumPy для структурування історії продажів.

Методи аналізу: Використання Statsmodels та SciPy для виявлення сезонності та трендів.

Прогнозування: Застосування алгоритмів регресійного аналізу та дерев рішень з бібліотеки Scikit-learn, а також потенційне впровадження нейронних мереж через фреймворк PyTorch.

Візуалізація: Інтерактивне середовище Jupyter Notebook, що забезпечує наочну демонстрацію прогнозних моделей у реальному часі.