پیش بینی فروش خرده فروشی تحت نوسانات تقاضا با استفاده از یک چارچوب ترکیبی منطق فازی و الگوریتم XGBoost پویا

پیش بینی دقیق فروش در صنعت خرده فروشی به دلیل ماهیت غیرخطی و نوسانات شدید تقاضا، به ویژه در دوره های اجرای برنامه های ترویجی و جهش های پیش از تعطیلات، با چالش های پیچیده ای مواجه است. مدل های پیش بینی کلاسیک و پایه اغلب در مواجهه با شوک های ناگهانی تقاضا و تغییرات رفتاری بازار، دقت و کارایی مطلوبی ندارند. هدف این پژوهش، ارائه یک چارچوب ترکیبی نوین با عنوان «Fuzzy-XGBoost» است که در آن توابع عضویت فازی با هدف مدل سازی جهش های تقاضای پیش از تعطیلات (Pre-Holiday Surge) و نوسانات ناشی از شوک های تقاضا، در ساختار الگوریتم XGBoost ادغام شده اند. عملکرد مدل پیشنهادی با استفاده از مجموعه داده واقعی راسمن (Rossmann) و در مقایسه با مدل های XGBoost، جنگل تصادفی (Random Forest)، رگرسیون بردار پشتیبان (SVR) و مدل کلاسیک ARIMA، در سناریوهای مختلف ارزیابی شد. نتایج نشان داد که مدل Fuzzy-XGBoost با دستیابی به مقدار RMSE برابر با ۸۹۹.۱۳ و ضریب تعیین (R²) برابر با ۰.۸۹۴۹ در سطح کل، عملکرد بهتری نسبت به سایر مدل های مورد بررسی دارد. همچنین، در سناریوی بحرانی جهش پیش از تعطیلات، مدل پیشنهادی توانست مقدار RMSE را از حدود ۱۴۱۱ در مدل XGBoost پایه و ۱۴۲۴ در مدل جنگل تصادفی به ۱۱۷۶.۹۳ کاهش دهد. در نهایت، نتایج آزمون دیبولد-ماریانو (Diebold-Mariano Test) با مقدار p-value کمتر از ۰.۰۵، معناداری آماری بهبودهای حاصل را تایید کرد. یافته های این پژوهش نشان می دهد که چارچوب Fuzzy-XGBoost می تواند رویکردی موثر برای پیش بینی فروش و مدیریت نوسانات پیچیده تقاضا، به ویژه در دوره های جهش تقاضا، ارائه دهد.

کلیدواژه ها:

پیش بینی فروش خرده فروشی ، منطق فازی ، الگوریتم XGBoost ، نوسانات تقاضا ، آزمون دیبولد-ماریانو ، یادگیری ماشین ترکیبی