• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Алгоритм прогнозирования продаж при запуске нового продукта в ИТ розничной торговле

ФИО студента: Абраменко Владимир Олегович

Руководитель: Ломазова Ирина Александровна

Кампус/факультет: Факультет компьютерных наук

Программа: Системная и программная инженерия (Магистратура)

Год защиты: 2020

В сфере производства, как и во многих зависимых областях, вопрос прогнозирования продаж и закупок стоит очень остро. Некорректно сформированный прогноз может привести к затовариванию склада и убыткам, аналогично дефицит продукции влечет за собой потери для компании. Особенно когда продукция имеет короткий жизненный цикл (менее года), тогда зависимость от точности прогноза сильно возрастаете Согласно исследованиям компании Neilsen, примерно 90% покупок товаров совершаются на основе рекомендаций близких, друзей или пользовательских отзывов. Причем скрупулёзность, с которой пользователь начинает исследовать интернет на предмет информации о приобретаемом продукте прямо пропорциональна его стоимости. Покупки основанные на такого рода рекомендация называются «сарафанное радио» (World-of-Mouth). Именно этот параметр и учитывается в Диффузионной модели Басса. Данная работа анализирует текущие подходы решения по оценки спроса и оценивает варианты улучшения. В силу развития социальных сетей пользователи все больше времени проводят в интернете. Поскольку все пользовательские запросы аккумулируются в Big Data, доступ к которой открыт у ряда поисковых систем, мы будем использовать данные сервиса Google Trends для оптимизации модели. Гипотеза, которую была протестирована, показала косвенную зависимость количества запросов на определенный продукт, коррелирующее с его продажами. Данный индикатор был включен в модель Басса, как дополнительный компонент. Для прогнозирования спроса в качестве продукта были выбраны мобильные устройства. Затем на основе исследования пользовательских предпочтений были определены характеристики устройств, после чего, с помощью K-means алгоритма проводился кластерный анализ. В качестве критерия оценки качестве кластеризации используются метрики Калинского-Харабаса Силуэт, Дэвиса-Болдина. Затем совместив данные продаж и поисковых запросов из сервиса Google trends, был проведен нелинейный регрессионный анализ прогнозирования спроса. После чего была выполнена оценка качества модели с помощью индекса «среднеквадратичной ошибки» Результат работы показал повышение качества прогноза при использовании тренд индикатора, но при этом были выявлены некоторые ограничения. Ключевые термины: Методы прогнозирования новых продуктов, модель Басса, жизненный цикл продукта, Google trends

Выпускные квалификационные работы (ВКР) в НИУ ВШЭ выполняют все студенты в соответствии с университетским Положением и Правилами, определенными каждой образовательной программой.

Аннотации всех ВКР в обязательном порядке публикуются в свободном доступе на корпоративном портале НИУ ВШЭ.

Полный текст ВКР размещается в свободном доступе на портале НИУ ВШЭ только при наличии согласия студента – автора (правообладателя) работы либо, в случае выполнения работы коллективом студентов, при наличии согласия всех соавторов (правообладателей) работы. ВКР после размещения на портале НИУ ВШЭ приобретает статус электронной публикации.

ВКР являются объектами авторских прав, на их использование распространяются ограничения, предусмотренные законодательством Российской Федерации об интеллектуальной собственности.

В случае использования ВКР, в том числе путем цитирования, указание имени автора и источника заимствования обязательно.

Реестр дипломов НИУ ВШЭ