پیش بینی تقاضای محصولات لبنی فاسدشدنی با استفاده از مدل های یادگیری ماشین(مطالعه موردی: فروشگاه های زنجیره ای افق کوروش)

پیش بینی دقیق تقاضا برای محصولات فاسدشدنی، یکی از چالش های کلیدی در مدیریت موجودی خرده فروشی است و نقش مهمی در کاهش ضایعات، جلوگیری از کمبود موجودی و افزایش سودآوری ایفا می کند. در این پژوهش با استفاده از داده های واقعی فروش فروشگاه های زنجیره ای افق کوروش، تقاضای دو گروه محصول لبنی (دوغ و شیر) مدل سازی و پیش بینی شده است. با توجه به پیوسته بودن متغیر هدف، از پنج الگوریتم یادگیری ماشین با رویکرد رگرسیونی شامل رگرسیون خطی چندمتغیره، رگرسیون ریج، رگرسیون لاسو، جنگل تصادفی و تقویت گرادیان استفاده شده است. برای ارزیابی عملکرد مدل ها، چهار شاخص متداول خطا شامل ضریب تعیین (R۲)، میانگین قدرمطلق خطا (MAE)، میانگین مربعات خطا (MSE) و ریشه میانگین مربعات خطا (RMSE) به کار گرفته شده است. نتایج نشان می دهد که مدل جنگل تصادفی در مقایسه با سایر الگوریتم ها، بهترین عملکرد را برای هر دو گروه محصول ارائه داده است؛ به طوری که برای دوغ، میانگین قدرمطلق خطای ۹۴.۸۶ و ضریب تعیین ۸۸.۵۷٪ و برای شیر، میانگین قدرمطلق خطای ۱۵۱.۸۶ و ضریب تعیین ۹۴.۷۸٪ حاصل شده است. این یافته ها بیانگر آن است که رویکردهای داده محور مبتنی بر یادگیری ماشین می توانند دقت پیش بینی تقاضا را در خرده فروشی مواد غذایی به طور قابل ملاحظه ای افزایش داده و به عنوان ابزار تصمیم یار موثر، در بهینه سازی سطوح موجودی و برنامه ریزی سفارشات محصولات لبنی مورد استفاده قرار گیرند.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی تقاضا ، رگرسیون ، جنگل تصادفی ، خرده فروشی ، مدیریت موجودی