Ανάπτυξη μοντέλων μηχανικής μάθησης για πρόβλεψη πωλήσεων

Abstract

Από την αρχαιότητα το να γνωρίζει κανείς τα «μελλούμενα» ήταν ένα μεγάλο πλεονέκτημα. Με την ανάπτυξη των μαθηματικών και κυρίως των υπολογιστών, σήμερα υπάρχει η δυνατότητα να «προβλέψει» κανείς, με επιστημονικό τρόπο, το πως θα εξελιχθούν κάποια πράγματα. Σε μια επιχείρηση βέβαια εκείνο που ενδιαφέρει περισσότερο είναι οι πωλήσεις που μπορεί να πετύχει. Στην παρούσα εργασία γράφτηκαν κώδικες (σε γλώσσα Python) για την πρόβλεψη των πωλήσεων της εταιρείας 1C:Company. Τα στοιχεία που είναι διαθέσιμα από την εταιρεία περιλαμβάνουν πωλήσεις για 34 μήνες (από τον Ιανουάριο του 2013 μέχρι και τον Οκτώβριο του 2015) 22.170 διαφορετικών προϊόντων χωρισμένων σε 84 κατηγορίες που πωλούνται σε 60 διαφορετικά σημεία. Τα στοιχεία αυτά ελέγχθηκαν ως προς την συνέπεια τους. Οι μέθοδοι πρόβλεψης που χρησιμοποιήθηκαν ήταν η Μέθοδος πρόβλεψης τελευταίας τιμής (σαν σύγκριση), η Απλή γραμμική παλινδρόμηση (με χρήση 2 έως 4 προηγούμενων μηνών) και η Τετραγωνική παλινδρόμηση (με χρήση 4 έως 8 μηνών). Τα δεδομένα εξετάστηκαν και για την εμφάνιση εποχικότητας (αυτοσυσχέτιση) έτσι οι προβλέψεις που έγιναν συγκρίθηκαν με και χωρίς την χρήση εποχικότητας πριν εξαχθούν τα τελικά συμπεράσματα. Επίσης δημιουργήθηκαν κώδικες που αξιολογούν αυτές τις μεθόδους κάνοντας συγκρίσεις μεταξύ τους. Η σύγκριση γίνεται με την χρήση του Μέσου Απόλυτου Ποσοστιαίου σφάλματος (MAPE). Η αξιολόγηση βέβαια περιλαμβάνει συντελεστές βαρύτητας που λαμβάνουν υπόψη και τις εισπράξεις. Όλοι οι κώδικες προσαρμόζονται αυτόματα αν η εταιρεία προσθέσει και άλλα στοιχεία στα δεδομένα της. Οι προβλέψεις μπορεί να αφορούν στον επόμενο μήνα αλλά και σε περισσότερους μήνες με επιλογή του χρήστη. Κατά την διάρκεια της εργασίας έγιναν δοκιμές ταξινομώντας τα δεδομένα με διαφορετικό τρόπο όπως για παράδειγμα να χρησιμοποιούνται τα στοιχεία των 24 μηνών για την πρόβλεψη των υπολοίπων, καθώς και κάποιες άλλες επιπλέον δυνατότητες. Τέλος από την ανάλυση των προϊόντων καθώς και από τις δοκιμές που έγιναν προέκυψαν κάποια συμπεράσματα που μπορούν να βοηθήσουν ένα μελλοντικό ερευνητή να οδηγηθεί σε ακόμα καλύτερες προβλέψεις.