Сербаева Г.Ф.
ОЦЕНКА ЭФФЕКТИВНОСТИ СТРАТЕГИЙ УПРАВЛЕНИЯ ПОРТФЕЛЕМ ПРОДУКТОВ НА ОСНОВЕ ГЕНЕРАТИВНОГО ПРЕДОБУЧЕННОГО ТРАНСФОРМЕРА TIMEGPT *
Аннотация:
в последние годы наблюдается значительный рост интереса к применению методов машинного обучения для управления портфелем продуктов. Одним из перспективных подходов является использование предобученных генеративных трансформеров, таких как TimeGPT от Nixtla, для анализа и прогнозирования временных рядов. В данной статье рассматривается эффективность применения TimeGPT для разработки стратегий управления портфелем продуктов, а также оцениваются преимущества и недостатки данного подхода.
Ключевые слова:
товарный портфель, временные ряды, прогнозирование спроса, эффективность, анализ данных
Управление товарным портфелем является одной из ключевых задач для компаний, работающих в условиях динамичного рынка. Эффективное управление позволяет не только минимизировать издержки, но и удовлетворять потребности клиентов, что в свою очередь способствует увеличению прибыли. В последние годы методы машинного обучения, в частности генеративные трансформеры, находят все более широкое применение в этой области. TimeGPT, разработанный компанией Nixtla, представляет собой предобученную модель, способную анализировать временные ряды и генерировать прогнозы на основе исторических данных. С учетом растущей конкуренции в онлайн-торговле, необходимость точного прогнозирования спроса становится всё более актуальной. Традиционные методы, основанные на интуитивных оценках и простых статистических подходах, часто оказываются недостаточно эффективными. Использование временных рядов предоставляет возможность более глубоко анализировать исторические данные и выявлять скрытые паттерны, что, в свою очередь, позволяет улучшить качество прогнозов [3, с. 61].TimeGPT — это модель, основанная на архитектуре трансформеров, которая была предобучена на больших объемах данных временных рядов. Она способна выявлять сложные зависимости и паттерны в данных, что делает ее особенно полезной для прогнозирования спроса на продукты [2].Целью данного исследования является оценка эффективности стратегий управления портфелем продуктов на основе TimeGPT. Для оценки эффективности TimeGPT в управлении портфелем продуктов были разработана стратегия на основе прогнозов спроса, а именно использование прогнозов TimeGPT для оптимизации ассортимента продуктов.В качестве материалов использовались данные об онлайн-продажах нескольких категорий товаров за 8 месяцев 2024 года. Набор данных получен с ресурса «Kaggle» [1]. Временной ряд представлен на рисунке 1. Для анализа временного ряда применялcя метод генеративного предобученного трансформера TimeGPT. Период для прогноза используем 100 дней. Полученный прогноз можно наблюдать на рисунке 2.Рис. 1. Временной ряд по проданным единицамРис. 2. Полученный прогноз на 100 днейЭффективность стратегии оценена на основе точности прогнозов MAE и RMSE.Прогнозы, полученные с использованием TimeGPT, показали значительно более высокую точность. MAE для TimeGPT составил 0.7, а RMSE составил 0.9.Научная новизна исследования заключается в систематическом сравнении методов временных рядов с традиционными подходами в контексте управления товарным портфелем. Результаты показывают, что методы временных рядов обеспечивают более высокую точность прогнозов, что ведет к более эффективному управлению запасами и оптимизации товарного портфеля.Результаты эксперимента подтверждают, что использование методов временных рядов, таких как предобученного генеративного трансформера, значительно повышает точность прогнозирования спроса. Это подчеркивает важность применения современных аналитических инструментов для эффективного управления товарным портфелем и достижения конкурентных преимуществ в условиях быстро меняющегося рынка.
Номер журнала Вестник науки №12 (81) том 3
Ссылка для цитирования:
Сербаева Г.Ф. ОЦЕНКА ЭФФЕКТИВНОСТИ СТРАТЕГИЙ УПРАВЛЕНИЯ ПОРТФЕЛЕМ ПРОДУКТОВ НА ОСНОВЕ ГЕНЕРАТИВНОГО ПРЕДОБУЧЕННОГО ТРАНСФОРМЕРА TIMEGPT // Вестник науки №12 (81) том 3. С. 1519 - 1523. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/19915 (дата обращения: 23.06.2025 г.)
Вестник науки © 2024. 16+