Система управління запасами для роздрібної торгівлі з прогнозуванням попиту на основі машинного навчання

Abstract

Роздрібна торгівля є однією з ключових галузей національної економіки, що формує значну частку внутрішнього споживчого ринку та забезпечує стале функціонування ланцюгів постачання. За даними Державної служби статистики України, у 2024 році спостерігалося подальше зростання обсягів роздрібного товарообороту, що підтверджує активний розвиток сектора та зростання навантаження на логістичні й операційні процеси [1]. Водночас підприємства роздрібної торгівлі все частіше стикаються з проблемами, пов’язаними з нестабільним попитом, сезонними коливаннями, впливом промоакцій та високою невизначеністю ринку. Використання традиційних методів прогнозування та управління запасами часто не забезпечує достатньої точності й оперативності, що призводить до надлишкових запасів або дефіциту товарів, а відповідно — до втрат обігових коштів та зниження рівня обслуговування. Це зумовлює потребу у впровадженні інтелектуальних рішень, що поєднують методи машинного навчання та класичні моделі оптимізації для підвищення точності прогнозування попиту і розрахунку параметрів управління запасами, зокрема ROP (точки перезамовлення) та EOQ (економічного розміру замовлення). Об’єктом дослідження є процес управління запасами в роздрібній торгівлі. Предметом дослідження виступає гібридна система прогнозування попиту на основі машинного навчання, інтегрована в веб-додаток для автоматичного розрахунку параметрів запасів. Метою дослідження є розробка та впровадження гібридної моделі прогнозування попиту (ансамбль Prophet, LSTM з механізмом уваги та SARIMAX), інтегрованої в програмну систему InventoryForecast Pro, що забезпечує підвищення точності прогнозу до MAPE ≤ 15%, рівня обслуговування ≥ 95% та зниження витрат на запаси на 25–30% для роздрібних мереж малого та середнього розміру. Для досягнення мети поставлено такі завдання: 1. провести системний аналіз предметної області, виявити ключові фактори попиту та обмеження існуючих систем; 2. сформулювати функціональні та нефункціональні вимоги до програмної системи; 3. розробити інформаційні, функціональні та об’єктно-орієнтовані моделі предметної області; 4. побудувати архітектуру системи на основі тришарової моделі (Flask + React + PostgreSQL); 5. реалізувати гібридну модель прогнозування з ансамблевою оптимізацією ваг; 6. інтегрувати модель у веб-додаток з API-ендпоінтами та дашбордом; 7. провести тестування моделі та системи (юніт, інтеграційне, навантажувальне, юзабіліті); 8. оцінити економічну ефективність та надати рекомендації щодо впровадження. Методи дослідження: ● для аналізу даних та декомпозиції рядів — STL-метод та кореляційний аналіз; ● для базового прогнозу — Prophet з урахуванням зовнішніх регресорів; ● для нелінійних патернів — LSTM з механізмом уваги; ● для автокореляції залишків — SARIMAX; ● для ансамблю — крос-валідація часових рядів; ● для оптимізації запасів — симуляція Монте-Карло (100–500 сценаріїв); ● для тестування — pytest, Locust, Postman, шкала SUS. Наукова новизна полягає в наступному: ● запропоновано гібридний ансамбль Prophet + LSTM-Attention + SARIMAX з динамічною оптимізацією ваг для прогнозування попиту в роздрібній торгівлі з урахуванням акцій, уцінок та онлайн-каналів; ● розроблено веб-додаток з повним циклом (імпорт → прогноз → ROP/EOQ → рекомендації); ● запропоновано удосконалення алгоритму розрахунку ROP з урахуванням довірчих інтервалів прогнозу та варіації lead time.