Χρήση τεχνολογιών μεγάλων δεδομένων στο ηλεκτρονικό επιχειρείν

Abstract

Τα τελευταία χρόνια, καθημερινά παράγονται τεράστιες ποσότητες δεδομένων είτε από οργανισμούς είτε από επιχειρήσεις. Τα δεδομένα αυτά, χάρη στην ραγδαία ανάπτυξη της τεχνολογίας, μπορούν με ευχέρεια να αποθηκευτούν και να επεξεργαστούν. Στόχος είναι η παραγωγή πληροφορίας, υψηλότερης προστιθέμενης αξίας, αξιοποιώντας τις τεράστιες ποσότητες δεδομένων που είναι στη διάθεση των οργανισμών και των επιχειρήσεων. Η ανάπτυξη της βαθιάς μάθησης (deep learning) ως η κινητήρια δύναμη της μηχανικής μάθησης (machine learning ) έφερε επανάσταση στον τομέα της πληροφορικής και της ανάλυσης των δεδομένων. Ένα από τα προβλήματα που απασχολούν τον κλάδο της ανάλυσης δεδομένων, όσο και των επιχειρήσεων είναι η πρόβλεψη των μελλοντικών πωλήσεων. Μέσω της συλλογής ιστορικών δεδομένων, τα οποία σχετίζονται με προηγούμενες πωλήσεις και με τη χρήση των κατάλληλων αλγορίθμων μπορούμε να προβλέψουμε τις μελλοντικές πωλήσεις. Πληθώρα µμοντέλων Βαθιάς Μάθησης έχουν προταθεί στη βιβλιογραφία για την επίλυση των προβλημάτων πρόβλεψης πωλήσεων. Πρόσφατα, η βαθιά μάθηση έχει αναδιαρθρώσει το δυνητικό μέλλον της πρόβλεψης πωλήσεων, επιτρέποντας στα μοντέλα να κωδικοποιούν πολλαπλές χρονοσειρές σε ένα μόνο μοντέλο, με τη χρήση όχι μόνο αριθμητικών αλλά και κατηγορικών μεταβλητών. Στην τρέχουσα διπλωματική εργασία, αντιμετωπίζουμε το πρόβλημα της πρόβλεψης πωλήσεων, σε καταστήματα λιανικού εμπορίου. Η πρόβλεψη πραγματοποιήθηκε για τα καταστήματα της αμερικάνικης πολυεθνικής εταιρίας Walmart, για τις επόμενες είκοσι οκτώ (28) ημέρες. Χρησιμοποιήθηκε η μέθοδος μηχανικής μάθησης LightGBM για την πραγματοποίηση της πρόβλεψης, ανά πολιτεία, κατάστημα, κατηγορία και τμήμα, λαμβάνοντας επίσης υπόψη και επεξηγηματικές μεταβλητές, όπως η τιμή των προϊόντων, προσφορές, ημέρα της εβδομάδας και ειδικές εκδηλώσεις, όπως για παράδειγμα γιορτές, καθώς επίσης και επιπλέον μεταβλητών που δημιουργήθηκαν για την βελτιστοποίηση των μοντέλων και των προβλέψεων. Πειραματικά μοντέλα παρουσιάζονται για τις παραπάνω μεθόδους. Ως μέτρηση αξιολόγησης και σύγκρισης των μεθόδων, χρησιμοποιήθηκε η ρίζα του μέσου τετραγωνικού σφάλματος (RMSE). Η παρακάτω έρευνα μπορεί να χρησιμοποιηθεί, από ιδιωτικές επιχειρήσεις καθώς και από οργανισμούς, για τη λήψη αποφάσεων όπως και καλύτερου προγραμματισμού των εταιρειών. Μέσω της συγκεκριμένης έρευνας μπορεί να επιτευχθεί μείωση του λειτουργικού κόστους εργασίας και αύξηση του προσδοκώμενου κέρδους των επιχειρήσεων.