Порівняльний аналіз моделей машинного навчання для прогнозування попиту в роздрібній торгівлі з урахуванням промо-активності та сезонності

Наталія Бойко*, Арсен Долічний

nataliya.i.boyko@gmail.com

Отримано 24.09.2025, Доопрацьовано 10.03.2026, Прийнято 28.04.2026, Опубліковано 29.05.2026
Анотація

Актуальність роботи зумовлена складністю моделювання споживчої поведінки в умовах нестабільного ринку, де точність прогнозів безпосередньо впливає на мінімізацію втрат і оптимізацію витрат на логістику. Метою дослідження було розробити та оцінити підхід до щоденного прогнозування роздрібного попиту на основі машинного навчання шляхом порівняння базових, лінійних, ансамблевих моделей і моделей градієнтного бустингу з урахуванням промоактивності, сезонності та історичних даних продажів, а також визначити найбільш стабільний прогнозний підхід для подальшого використання у плануванні закупівель. Методологія дослідження ґрунтувалась на застосуванні суворого часового розділення даних (time-based split), що дозволяє оцінити здатність моделей до узагальнення в реалістичному сценарії «навчання на минулому – тестування на майбутньому». Для створення надійної точки відліку розроблено ієрархію базових орієнтирів (baselines), включаючи наївні прогнози та моделі з тижневими лагами. У роботі проведено порівняльний аналіз лінійної регресії Ridge, ансамблевого методу Random Forest та градієнтного бустингу на деревах рішень (XGBoost, LightGBM). Результати експериментів підтвердили значну перевагу нелінійних моделей над традиційними лінійними підходами, які не здатні адекватно відтворювати порогові ефекти та складні взаємодії між промо-заходами й сезонністю. Встановлено, що модель LightGBM демонструє найкращі показники стабільності та точності, забезпечуючи мінімальну похибку на валідаційному наборі даних при збереженні стійкості до перенавчання. Зокрема, виявлено, що висока ефективність XGBoost на тренувальних даних часто є наслідком надмірної адаптації до шуму, що робить LightGBM більш придатним для практичного застосування в бізнес-процесах. Практичне значення отриманих результатів полягає у можливості автоматизації процесу закупівель, що забезпечує збалансованість товарних запасів та підвищення економічної ефективності ритейл-мереж

Ключові слова:
прогнозна аналітика; інженерія ознак; градієнтне підвищення; часові ряди; середня абсолютна похибка; середньоквадратична похибка; бізнес-аналітика

Взято з Том 24, № 1, 2026

Сторінки 35–53

Використані джерела ЦИТУВАТИ
  1. Agga, A., Abbou, A., Labbadi, M., El Houm, Y., & Ou Ali, I.H. (2022). CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research, 208, article number 107908. doi: 10.1016/j.epsr.2022.107908.
  2. Bülbül, K., & Noyan, N. (2021). Multi-stage stochastic programming models for provisioning cloud computing resources. European Journal of Operational Research, 288(3), 834-846. doi: 10.1016/j.ejor.2020.06.027.
  3. Corporación Favorita grocery sales forecasting. (2017). Retrieved from https://www.kaggle.com/c/favorita-grocery-sales-forecasting.
  4. Djaafari, A., Ibrahim, A., Bailek, N., Bouchouicha, K., Hassan, M.A., Kuriqi, A., Al-Ansari, N., & El-kenawy, El-S. (2022). Hourly predictions of direct normal irradiation using an innovative hybrid LSTM model for concentrating solar power projects in hyper-arid regions. Energy Reports, 8, 15548-15562. doi: 10.1016/j.egyr.2022.10.402.
  5. Fortin, A.-P., Simonato, J.-G., & Dionne, G. (2023). Forecasting expected shortfall: Should we use a multivariate model for stock market factors? International Journal of Forecasting, 39(1), 314-331. doi: 10.1016/j.ijforecast.2021.11.010.
  6. Guo, D., Ye, L., Yan, G., & Min, H. (2022). CCD-BSM: Composite-curve-dilation brush stroke model for robotic Chinese calligraphy. Applied Intelligence, 53, 14269-14283. doi: 10.1007/s10489-022-04210-y.
  7. Haque, M.S., Amin, M.S., & Miah, J. (2023). Retail demand forecasting: A comparative study for multivariate time series. ArXiv. doi: 10.48550/arXiv.2308.11939.
  8. Ketelsen, M., Janssen, M., & Hamm, U. (2020). Consumers’ response to environmentally-friendly food packaging – a systematic review. Journal of Cleaner Production, 254, article number 120123. doi: 10.1016/j.jclepro.2020.120123.
  9. Kim, D., & Jang, L.-Ch. (2023). Economic preference for semiconductor trade deals using similarity measures defined by Choquet integrals. Computational and Applied Mathematics, 42, article number 224. doi: 10.1007/s40314-023-02365-z.
  10. Moret, S., Babonneau, F., Bierlaire, M., Maréchal, F. (2020). Decision support for strategic energy planning: A robust optimisation framework. European Journal of Operational Research, 280(2), 539-554. doi: 10.1016/j.ejor.2019.06.015.
  11. Rashid, M., Kamruzzaman, J., & Imam, T. (2022). A tree-based stacking ensemble technique with feature selection for network intrusion detection. Applied Intelligence, 52, 9768-9781. doi: 10.1007/s10489-021-02968-1.
  12. Slama, S.B., & Mahmoud, M. (2023). A deep learning model for intelligent home energy management system using renewable energy. Engineering Applications of Artificial Intelligence, 123(B), article number 106388. doi: 10.1016/j.engappai.2023.106388.
  13. Solodkyi, V., & Polichuk, Yu. (2023). Implementation of artificial intelligence in Ukrainian banks: Prospects and limitations. Finance, Accounting and Taxation, 82(2), 119-127. doi: 10.33271/ebdut/82.119.
  14. Tama, B.A., & Lim, S. (2021). Ensemble learning for intrusion detection systems: A systematic mapping study and cross-benchmark evaluation. Computer Science Review, 39, article number 100357. doi: 10.1016/j.cosrev.2020.100357.
  15. Thudumu, S., Branch, P., Jin, J., & Singh, J. (2020). A comprehensive survey of anomaly detection techniques for high dimensional big data. Journal of Big Data, 7, article number 42. doi: 10.1186/s40537-020-00320-x.
  16. Uninets, I. (2021). Subjective disposition of smart economy. Economics and Education, 6(2), 12-16. doi: 10.30525/2500-946X/2021-2-2.
  17. Xie, H., Hao, C., Li, J., Li, M., Luo, P., & Zhu, J. (2022). Anomaly detection for time series data based on multi-granularity neighbor residual network. International Journal of Cognitive Computing in Engineering, 3, 180-187. doi: 10.1016/j.ijcce.2022.10.001.
  18. Xu, X., Fang, Z., Qi, L., Zhang, X., He, Q., & Zhou, X. (2021). TripRes: Traffic flow prediction driven resource reservation for multimedia IoV with edge computing. ACM Transactions on Multimedia Computing, Communications, and Applications, 17(2), article number 41. doi: 10.1145/3401979.
  19. Yan, Yu., Fang, Sh., Gao, M., & Chen, Y. (2024). MUS model: A deep learning-based architecture for IoT intrusion detection. Computers, Materials & Continua, 80(1), 875-896. doi: 10.32604/cmc.2024.051685.
  20. Yang, Y., Zhang, Ch., Zhao, Q., & Zhang, Yu. (2024). A sustainability evaluation framework for the urban energy Internet using the Fermatean fuzzy Aczel-Alsina hybrid MCDM method. Expert Systems with Applications, 238(D), article number 122115. doi: 10.1016/j.eswa.2023.122115.
  21. Yin, J., Shi1, Y., Deng, W., Yin, Ch., Wang, T., Song, Y., Li, T., & Li, Y. (2023). Internet of Things intrusion detection system based on convolutional neural network. Computers, Materials & Continua, 75(1), 2119-2135. doi: 10.32604/cmc.2023.035077.
Boyko, N., & Dolichnyi, A. (2026). Comparative analysis of machine learning models for retail demand forecasting considering promotional activity and seasonality. Journal of Kryvyi Rih National University, 24(1), 35-53. https://doi.org/10.31721/2306-5451-2026-1-24-35-53
uk