| Abstract |
Daudzkanālu mazumtirdzniecības pieaugums, mainīgie patērētāju paradumi un pieprasījuma svārstīgums ir padarījis mazumtirdzniecības pieprasījuma prognozēšanu sarežģītāku, izraisot piegādes ķēdes nenoteiktību un vērša pātagas efektu. Ir izmantotas bieži izmantotas statistiskās prognozēšanas metodes, piemēram, ARIMA un eksponenciālā izlīdzināšana, un tās parasti ir labas lineāru attiecību uztveršanai tradicionālajos mazumtirdzniecības datos, taču bieži vien nespēj uztvert nelineārās attiecības, kas atrodamas mūsdienu mazumtirdzniecības datu vidē. Uzlaboti mašīnmācīšanās (ML) modeļi var nodrošināt spēcīgākas prognozēšanas iespējas, taču rada izaicinājumus, kas saistīti ar interpretējamību, vadības uzticēšanos un organizācijas pieņemšanu. Šis darbs risina šos izaicinājumus, piedāvājot un izvērtējot konceptuālu mākslīgā intelekta vadītu mazumtirdzniecības pieprasījuma prognozēšanas sistēmu, kas ietver prognozēšanas modeļus, izskaidrojamības mehānismus, pārvaldības struktūras un lēmumu atbalsta procesus, izmantojot literatūras analīzi, sistēmas izstrādi un empīrisku novērtējumu. Piedāvātā sistēma integrē datu ekosistēmas, prognozēšanas modeļus, izskaidrojamības mehānismus, pārvaldības struktūras, lēmumu integrāciju un adaptīvos atgriezeniskās saites procesus. Sistēma tika empīriski novērtēta, izmantojot publiski pieejamo M5 prognozēšanas datu kopu. Rezultāti norādīja, ka Random Forest modelis eksperimentālos apstākļos, īpaši svārstīga pieprasījuma gadījumā, radīja zemākas prognozēšanas kļūdas salīdzinājumā ar Holta-Vintera statistisko modeli. Turklāt SHAP un LIME metodes uzlaboja prognožu izskaidrojamību, izceļot svarīgākās ar pieprasījumu saistītās iezīmes. Pētījums sniedz ieguldījumu mazumtirdzniecības prognozēšanas pētījumos, apvienojot paredzošo analītiku, izskaidrojamību un lēmumu atbalstu vienotā prognozēšanas arhitektūrā, tādējādi nodrošinot pārredzamāku un uz datiem balstītu mazumtirdzniecības lēmumu pieņemšanu.
Maģistra darbs sastāv no 97 lappusēm; tajā ir 13 attēli, 3 tabulas, 5 pielikumi, 61 atsauce. |
