Розмір шрифту: 

Системи управління продажами функціонують в умовах динамічного попиту та складної поведінки споживачів. Традиційні методи не враховують нелінійність і сезонність, тоді як ML-підходи забезпечують вищу точність, але недостатньо інтегровані в управлінські процеси. Мета роботи – аналіз ML-методів прогнозування попиту та оцінка їх застосування в системах управління продажами. Дослідження базується на аналізі та експериментальному моделюванні з використанням агрегованого у часові ряди датасету e-commerce Amazon (128 975 записів). Застосовано моделі XGBoost і LSTM з календарними, лаговими та категоріальними ознаками. Оцінювання виконано за метриками MAPE, RMSE та wMAPE. За результатами дослідження встановлено, що моделі машинного навчання (зокрема XGBoost) забезпечують вищу точність прогнозування порівняно з базовими методами.