Вебзастосунок для прогнозування попиту на товари електронної комерції з використанням машинного навчання та зовнішніх API

Abstract

Актуальність теми зумовлена стрімким розвитком електронної комерції та зростанням конкуренції між онлайн-платформами. За таких умов бізнесу дедалі частіше потрібні інструменти, які дають змогу точніше керувати попитом і швидше реагувати на зміни ринку. Традиційні підходи до прогнозування не завжди враховують сезонність, погодні умови та споживчі тренди, через що виникають надлишкові або, навпаки, недостатні товарні запаси, а це призводить до фінансових витрат. Використання методів машинного навчання разом із даними зовнішніх API відкриває можливість підвищити точність прогнозів і приймати більш обгрунтовані управлінські рішення в сфері e-commerce. Об'єкт роботи – процес прогнозування попиту на товари в системах електронної комерції. Предмет роботи – методи машинного навчання, моделі часових рядів і механізми інтеграції зовнішніх API, що застосовуються для побудови системи прогнозування попиту. Мета роботи – розробка інтелектуального вебзастосунку, який на основі історичних даних продажів і зовнішніх факторів прогнозуватиме попит та формуватиме рекомендації щодо оптимізації товарних запасів і цінової політики. Методи дослідження – аналіз часових рядів, методи машинного навчання (Prophet, LSTM), порівняльна оцінка моделей та інтеграція зовнішніх API. У першому розділі здійснено аналіз предметної області, досліджено особливості прогнозування попиту в електронній комерції, виконано порівняння програмних аналогів і сформульовано постановку задачі дослідження. У другому розділі обґрунтовано вибір методів прогнозування часових рядів (Prophet, LSTM) та підхід до комбінування прогнозів із оптимізованими вагами, визначено систему метрик для оцінювання якості, а також обґрунтовано технологічний стек розробленої системи. У третьому розділі описано структуру та архітектуру системи, продемонстровано роботу розробленого вебзастосунку та проведено порівняльний аналіз точності моделей Prophet, LSTM і схеми комбінування прогнозів на синтетичних даних за відповідними метриками. Четвертий розділ містить керівництво користувача з покроковим описом роботи із системою, а також результати функціонального й нефункціонального тестування розробленого вебзастосунку. Кваліфікаційна робота викладена на 105 сторінках машинописного тексту, складається зі вступу, 4 розділів, загальних висновків, 4 додатків, 39 джерел у переліку джерел посилання. Праця містить 15 таблиць та 44 рисунки. The relevance of the topic is driven by the rapid growth of the e– commerce market and increasing competition among online platforms, which encourages businesses to seek intelligent demand management tools. Traditional forecasting methods fail to account for dynamic external factors such as seasonal fluctuations, weather conditions, and consumer trends, leading to overstocking or stockouts and significant financial losses. The application of machine learning methods combined with external API data opens new opportunities for improving forecast accuracy and supporting informed decision– making in the e–commerce sector. The object of research is the process of demand forecasting for goods in e– commerce systems. The subject of research is machine learning methods, time series models and mechanisms for integrating external APIs to build a demand forecasting system. The purpose of the work is to develop an intelligent web application that forecasts product demand based on historical sales data and external factors and generates recommendations for optimizing inventory and pricing policies. Research methods include time series modeling, machine learning methods (Prophet, LSTM), comparative model analysis, and external API integration. The first section analyzes the subject area, examines the specifics of demand forecasting in e-commerce, provides a comparative analysis of software analogues, and formulates the research problem statement. The second section justifies the selection of time series forecasting methods (Prophet, LSTM) and the forecast combination scheme with optimized weights, defines the quality evaluation metrics system, and substantiates the technological stack of the developed system. The third section describes the structure and architecture of the system, demonstrates the operation of the developed web application, and performs a comparative accuracy analysis of the Prophet, LSTM, and forecast combination models on synthetic data using the corresponding metrics. The fourth section contains a user guide with a step-by-step description of working with the system and the results of functional and non-functional testing of the developed web application. The qualification work is presented on 105 pages, consists of an introduction, 4 sections, general conclusions, 4 appendices, and 39 references. The work contains 15 tables and 44 figures.