Orosz Kata (2023) Statisztikai és gépi tanuló megoldások használata egy webáruház készletgazdálkodásának támogatásában. Pénzügyi és Számviteli Kar. (Kéziratban)
PDF
OroszKata_TDK_v1.1.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB) |
|
Microsoft Word
Orosz Kata - TDK melléklet - Modellezési kódok .docx Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (133kB) |
|
PDF
Dolgozat_biralati_lap_2023_OroszKata.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (103kB) |
|
PDF
Dolgozat_biralat_2023_Orosz_Kata.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (378kB) |
Absztrakt (kivonat)
A dolgozatban azt vizsgálom, milyen statisztikai és gépi tanuló megoldásokkal lehet hatékonyan támogatni egy webáruházat üzemeltető középvállalkozás készletgazdálkodását. A dolgozat célkitűzése annak a kérdésnek a megválaszolása, hogy melyik algoritmus képes a legjobb előjelzési teljesítményt elérni olyan alacsony volumenű idősoros tranzakciós adatokon, amelyeket erős szezonális keresletingadozás jellemez. Szakirodalmi áttekintés, valamint az esettanulmány alapjául szolgáló idősoros adatok feltáró elemzése alapján három algoritmust választottam összehasonlításra: a statisztikai alapú SARIMA (szezonális autoregresszív integrált mozgóátlagos) algoritmust, az STL (szezonális, trend, és maradványértéken alapuló, azokat lokális regressziós simítással kiegészítő) algoritmust, valamint a szezonális- és trend-dekompozíciós alapokon nyugvó, azt egyéb paraméterezési lehetőségekkel kiegészítő algoritmust, a Prophet-et. Az elemzésben felhasznált adatok havi aggregációs szinten mutatják a vásárlói keresletet tekintve erős szezonalitást mutató termékcsoportok (pl. fűnyíró, sövényvágó) eladási számait.Az elemzésben összesen hat termékcsoport 49 havi eladási adatait használtam fel. A modelleket az első 37 hónap adatain illesztettem; teljesítményüket az utolsó 12 hó adataira adott előjelzések, és a tesztmintaként szolgáló tényleges eladási adatok összehasonlításával értékeltem ki. A modellek teljesítményét az átlagos négyzetes hibagyök (RMSE), valamint az átlagos abszolút százalékos hiba (MAPE) alapján értékeltem ki, az Auto-ARIMA paraméterkeresési eljárással elért előjelzési eredményeket tekintve referenciaértéknek. Az előjelzési eredmények összehasonlításából megállapítottam, hogy a legjobb teljesítményt az STL modellek hozták. Az STL algoritmus mind a hat vizsgált termékcsoport esetében jobb eredményt ért el, mint a referenciamodell. Ezzel szemben a Prophet modellek négy esetben a referenciamodelleknél jobb, két esetben viszont rosszabb előjelző teljesítményt értek el. Az eredményekből levonható következtetés, hogy egy középvállalkozás esetében, ahol az erős szezonalitást mutató termékcsoportok eladási volumene alacsony, egy automatizált hiperparaméter-kereséssel kiegészített statisztikai megoldás is viszonylag jó becslést adhat a várható keresletre; valamint, hogy a becslés tovább pontosítható az STL algoritmusra jellemző, nemparametrikus alapokon nyugvó gépi tanuló megoldással.
Intézmény
Budapesti Gazdasági Egyetem
Kar
Tanszék
Gazdaságinformatika Tanszék
Tudományterület/tudományág
NEM RÉSZLETEZETT
Szak
Mű típusa: | TDK dolgozat |
---|---|
Kulcsszavak: | algoritmikus modellek, e-business, idősorelemzés, készletgazdálkodás, statisztikai adatelemzés |
SWORD Depositor: | Archive User |
Felhasználói azonosító szám (ID): | Archive User |
Rekord készítés dátuma: | 2024. Már. 22. 12:52 |
Utolsó módosítás: | 2024. Már. 22. 12:52 |
Actions (login required)
Tétel nézet |