مقایسه عملکرد مدل های هوش مصنوعی بر روی پیش بینی فروش فروشگاه اینترنتی مطالعه موردی داده های شبیه سازی شده فروش (۲۰۲۲-۲۰۲۵)

پیش بینی دقیق فروش یکی از چالش های اساسی مدیران فروشگاه های اینترنتی در برنامه ریزی موجودی و تخصیص منابع است. این پژوهش با هدف مقایسه عملکرد چهار مدل پیش بینی فروش شامل هموارسازی نمایی هولت وینترز، سری زمانی ساریما، جنگل تصادفی و میانگین متحرک ساده بر روی داده های ۴۸ ماهه فروش یک فروشگاه اینترنتی انجام شد. داده ها به نسبت ۸۰ ۲۰ به مجموعه آموزش و تست تقسیم شدند و عملکرد مدل ها با معیارهای RMSE، MAE و MAPE ارزیابی گردید. نتایج نشان داد که مدل ساریما با MAPE برابر ۲۳.۳۷ درصد بهترین عملکرد را داشته است، مدل هولت وینترز با MAPE ۲۴.۶۱ درصد و اختلاف ۱.۲۴ درصد در رتبه دوم قرار گرفت، مدل میانگین متحرک ساده با MAPE ۲۸.۳۶ درصد به عنوان خط پایه و مدل جنگل تصادفی با ۱۲ درصد ضعیف ترین عملکرد را داشت. نتایج پرسشنامه از ۱۵ متخصص نیز با ۸۰ درصد تایید مدل ساریما را به عنوان مناسب ترین گزینه معرفی کرد. یافته ها نشان می دهد که در داده های دارای الگوی فصلی قوی، مدل های کلاسیک سری زمانی به ویژه ساریما عملکرد بهتری نسبت به مدل یادگیری ماشین دارند. بر اساس نتایج، مدل ساریما برای پیش بینی فروش فروشگاه های اینترنتی با داده های ۴۸ ماهه توصیه می شود. دستاورد اصلی این پژوهش ارائه یک چارچوب مقایسهای چهار مدل به همراه خط پایه و داده شبیه سازی شده قابل تکرار است که می تواند راهنمایی عملی برای مدیران فروش و پایه ای برای پژوهش های آتی در زمینه مدل های ترکیبی فراهم آورد.

کلیدواژه ها:

پیش بینی ، فروش ، سری زمانی ، یادگیری ماشین ، هوش مصنوعی ، تجارت الکترونیک