Сучасні підходи до прогнозування продажів у системах електронної комерції

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).103-112

Ключові слова:

прогнозування продажів, електронна комерція, машинне навчання, глибинне навчання, часові ряди, LSTM, Transformers, Random Forest

Анотація

У статті представлено комплексний аналіз сучасних методів прогнозування продажів у системах електронної комерції, охоплюючи еволюцію від традиційних статистичних підходів до передових технологій машинного та глибинного навчання. Проведено детальний порівняльний аналіз ефективності класичних методів (авторегресивна інтегрована модель ковзного середнього, сезонна авторегресивна інтегрована модель ковзного середнього, експоненційне згладжування), алгоритмів машинного навчання (випадковий ліс, градієнтне підсилення, метод опорних векторів) та архітектур глибинного навчання (довготривала короткочасна пам’ять, рекурентний блок із затворами, трансформери, двонаправлена довготривала короткочасна пам’ять).

На основі аналізу високоцитованих досліджень та офіційних результатів M5 Competition визначено ключові метрики продуктивності, практичні рекомендації щодо вибору методів та основні виклики галузі. Особливу увагу приділено проблемам холодного старту, сезонності, впливу зовнішніх факторів та масштабованості рішень для промислових систем з мільйонами товарних позицій. Результати дослідження показують, що гібридні підходи та ансамблеві методи демонструють найкращу ефективність у реальних умовах e-commerce.

Спонсор дослідження

  • Дослiдження здiйснено в рамках кафедральної науково-дослiдної роботи «Моделi i методи системного аналiзу в мiждисциплiнарних дослiдженнях» (державний облiковий номер 0125U003246)

Біографії авторів

О. С. Бурмей, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри cистемного аналiзу i теорiї оптимiзацiї

П. П. Антосяк, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри cистемного аналiзу i теорiї оптимiзацiї. Кандидат фiзико-математичних наук

Посилання

  1. Rose, K. (2023). Retail Demand Forecasting for 1 Million Products. In Advances in Intelligent Systems and Computing (pp. 567–578). Springer. Retrieved from https://doi.org/10.1007/978-3-031-27440-4_45
  2. Kirichenko, L., Radivilova, T., & Zinkevich, I. (2017). Comparative Analysis of Conversion Series Forecasting in E-commerce Tasks. In Advances in Intelligent Systems and Computing (pp. 230–242). Springer, Cham. Retrieved from https://doi.org/10.1007/978-3-319-70581-1_16
  3. Ramos, P., Santos, N., & Rebelo, R. D. (2015). Performance of state space and ARIMA models for consumer retail sales forecasting. Robotics and Computer-integrated Manufacturing, 34, 151–163. Retrieved from https://doi.org/10.1016/J.RCIM.2014.12.015
  4. Punia, S., Nikolopoulos, K., Singh, S. P., Madaan, J., & Litsiou, K. (2020). Deep learning with long short-term memory networks and random forests for demand forecasting in multichannel retail. International Journal of Production Research, 58(16), 4964–4979. Retrieved from https://doi.org/10.1080/00207543.2020.1735666
  5. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. Retrieved from https://doi.org/10.1023/A:1010933404324
  6. Tyralis, H., & Papacharalampous, G. (2017). Variable Selection in Time Series Forecasting Using Random Forests. Algorithms, 10(4), 114. Retrieved from https://doi.org/10.3390/a10040114
  7. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. Retrieved from https://doi.org/10.1214/AOS/1013203451
  8. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). Retrieved from https://doi.org/10.1145/2939672.2939785
  9. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146–3154. Retrieved from https://papers.nips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
  10. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31, 6638–6648. Retrieved from https://papers.nips.cc/paper_files/paper/2018/file/14491b756b3a51daac41c24863285549-Paper.pdf
  11. Zhang, Y., Song, Y., & Wei, G. (2024). Spatial and temporal attention-based and residual-driven long short-term memory networks with implicit features. Engineering Applications of Artificial Intelligence, 133, 108549. Retrieved from https://doi.org/10.1016/j.engappai.2024.108549
  12. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. Retrieved from https://doi.org/10.1162/neco.1997.9.8.1735
  13. Nguyen, D. Q., Phan, M. N., & Zelinka, I. (2021). Periodic Time Series Forecasting with Bidirectional Long Short-Term Memory. In International Conference on Machine Learning (pp. 234–245). Retrieved from https://doi.org/10.1145/3453800.3453812
  14. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. Retrieved from https://doi.org/10.48550/arXiv.1706.03762
  15. Lim, B., Arık, S. O., Loeff, N., & Pfister, T. (2021). Temporal fusion transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting, 37(4), 1748–1764. Retrieved from https://doi.org/10.1016/j.ijforecast.2021.03.012
  16. Li, A., Li, Y., Xu, Y., Li, X., & Zhang, C. (2024). Multi-scale convolution enhanced transformer for multivariate long-term time series forecasting. Neural Networks, 175, 106745. Retrieved from https://doi.org/10.1016/j.neunet.2024.106745
  17. Zhou, H., Zhang, S., Peng, J., Zhang, S., Li, J., Xiong, H., & Zhang, W. (2021). Informer: Beyond efficient transformer for long sequence time-series forecasting. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 12, pp. 11106–11115). Retrieved from https://doi.org/10.1609/aaai.v35i12.17325
  18. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. Retrieved from https://doi.org/10.1016/j.ijforecast.2021.11.013
  19. In, Y., & Jung, J. Y. (2022). Simple averaging of direct and recursive forecasts via partial pooling using machine learning. International Journal of Forecasting, 38(4), 1386–1399. Retrieved from https://doi.org/10.1016/j.ijforecast.2021.11.007
  20. Demand Forecasting Using Machine Learning and Deep Learning Approaches in the Retail Industry: A Comparative Study. (2023). In Lecture Notes in Management and Industrial Engineering (pp. 257–270). Springer. Retrieved from https://doi.org/10.1007/978-3-031-25847-3_24

##submission.downloads##

Опубліковано

2026-01-29

Як цитувати

Бурмей, О. С., & Антосяк, П. П. (2026). Сучасні підходи до прогнозування продажів у системах електронної комерції. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 48(1), 103–112. https://doi.org/10.24144/2616-7700.2026.48(1).103-112

Номер

Том 48 № 1 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 О. С. Бурмей, П. П. Антосяк

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.