ІНТЕЛЕКТУАЛЬНА СИСТЕМА ПРОГНОЗУВАННЯ ПРОДАЖІВ НА ОСНОВІ АНСАМБЛЕВИХ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ ТА СЕМАНТИЧНОЇ ІНТЕГРАЦІЇ ДАНИХ CRM І ERP

Анотація

У статті розглянуто вирішення проблеми підвищення точності прогнозування продажів в умовах ринкової невизначеності шляхом семантичної інтеграції даних CRM та ERP систем. Метою дослідження є розробка архітектури та реалізація інтелектуальної інформаційної системи із застосуванням гібридних ансамблевих моделей машинного навчання. В умовах високої волатильності ринку та ізольованості інформаційних систем підприємства традиційні методи прогнозування попиту, що базуються виключно на транзакційній історії, демонструють низьку ефективність, особливо для специфічних товарів «довгого хвоста». Побудова прогнозів без урахування поведінкових індикаторів клієнтів та складських обмежень призводить до розриву між комерційними планами та виробничими можливостями. Для моделювання бізнес-процесів розробленої системи застосовано методологію IDEF0, що дозволило деталізувати етапи збору та інженерії ознак. Програмну архітектуру побудовано за принципом Data Lakehouse із впровадженням модуля збереження ознак. В основу прогностичного ядра покладено гібридне зважене ансамблювання моделей машинного навчання: ARIMA для стабілізації часових трендів, XGBoost для обробки нелінійних сигналів з CRM та LSTM для виявлення довгострокових патернів. Навчання та валідація проводилися на масиві даних понад 4 тисяч активних SKU за період 18 місяців. Наукову новизну становить запропонований механізм динамічного розподілу ваг між базовими моделями ансамблю обернено пропорційно до їхньої локальної помилки на ковзному валідаційному вікні. Доведено, що використання ансамблевої моделі перевершує класичні підходи, знижуючи симетричну середню абсолютну помилку (sMAPE) до 12,9 %. Експериментально підтверджено, що застосування складних моделей машинного навчання доцільне за наявності історичних даних глибиною від 12 до 18 місяців. Також встановлено критичну залежність точності прогнозу від частоти оновлення вхідних ознак: затримка обробки даних з CRM більше ніж на 7 днів призводить до стрімкого зростання помилки. Практичне впровадження результатів дослідження мінімізує вплив людського фактору в процесах планування продажів та операцій (S&OP) , а також дозволяє скоротити випадки відсутності товару на складі (out-of-stock) на 9 %.