Automation of marketing strategy selection support based on intelligent demand forecasting for services
- Authors: Kotsyuba I.Y.1, Alekseev P.A1
- Affiliations:
- ITMO University
- Issue: No 2 (2024)
- Pages: 110-122
- Section: ARTICLES
- URL: https://ered.pstu.ru/index.php/amcs/article/view/4485
- DOI: https://doi.org/10.15593/2499-9873/2024.2.08
- Cite item
Abstract
The article presents an analysis of various demand forecasting methods for the telecommunications company "Tricolor", using both the statistical SARIMA model and modern approaches, including XGBoost and recurrent neural networks. The study encompasses the application of these methods to assess future changes in demand for tariff plans, considering seasonal fluctuations and other influencing factors. The article addresses issues related to model tuning, parameter selection, as well as challenges and solutions associated with each method to enhance forecast accuracy. It emphasizes the significance of integrating diverse forecasting methods into strategic planning and operational management of the company in a competitive market environment and variable consumer preferences. The results can be used to form flexible demand management strategies and optimize the company's offerings.
Full Text
8About the authors
I. Yu Kotsyuba
ITMO University
P. A Alekseev
ITMO University
References
- Компания Триколор [Электронный ресурс]. – 2024. – URL: https://www.tricolor.ru/ about/ (дата обращения: 08.05.2024).
- Chernykh, M.A. Маркетинговый менеджмент поведения клиентов на рынке услуг / M.A. Chernykh // Державинские чтения: материалы XXII Всероссийской научной конференции. – 2017. – С. 180–187.
- Есимжанова, С.Р. Формирование маркетинговой коммуникационной стратегии компании / С.Р. Есимжанова, Д.Е. Сейфуллина // Наука и образование сегодня. – 2021. – № 5 (64). – С. 21–25.
- Пэйен, Ц. Трансформация российского производства телепрограмм в эпоху искусственного интеллекта / Ц. Пэйен // Современные инновации. – 2020. – № 2 (36). – С. 49–51.
- Что такое маркетинговые стратегии и как ее разобрать: Яндекс Практикум [Электронный ресурс]. – 2024. – URL: https://practicum.yandex.ru/blog/marketingovye-strategii/ #vidy (дата обращения: 08.05.2024).
- Волошин, Т.А. Применение адаптивных ансамблей методов машинного обучения к задаче прогнозирования временных рядов / Т.А. Волошин, К.С. Зайцев, М.Е. Дунаев // International Journal of Open Information Technologies. – 2023. – № 8. – С. 57–63.
- Васина, Д.И. Обзор и апробирование методов машинного обучения для краткосрочного прогнозирования / Д.И. Васина // МСиМ. – 2023. – № 4 (68). – С. 59–70.
- Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – М.: ДМК Пресс, 2015. – 400 с.
- Якименко, В.В. Архитектура модели LSTM для прогнозирования временных рядов редких событий / В.В. Якименко, И.Л. Савостьянова // Актуальные проблемы авиации и космонавтики. – 2022. – C. 533–535.
- Нейронные сети, генетические алгоритмы и нечеткие системы: Электронно-библиотечная система. Издательство «Лань» [Электронный ресурс] – 2013. – URL: http://e. lanbook.com/books/element.php?pl1_cid=25&pl1_id=11843 (дата обращения: 16.04.2024).
- Программирование искусственного интеллекта в приложениях: Электронно-библиотечная система. Издательство «Лань» [Электронный ресурс] – 2011. – URL: http://e. lanbook.com/books/element.php?pl1_cid=25&pl1_id=1244 (дата обращения: 17.04.2024).
- Игнатов, Н.А. Прогнозирование временных рядов с регулярными циклическими компонентами с помощью модели периодически коррелированных случайных процессов / Н.А. Игнатов // Научные труды: Институт народнохозяйственного прогнозирования РАН. – 2011. – № 9. – С. 461–477.
- Миролюбова, А.А. ARIMA – прогнозирование спроса производственного предприятия / А.А. Миролюбова, А.Д. Ермолаев, М.Б. Прокофьев // Современные наукоемкие технологии. Региональное приложение. – 2021. – № 2 (66). – C. 50–55.
- Альчаков, В.В. Оценка методов машинного обучения для прогнозирования сезонных временных рядов / В.В. Альчаков, В.А. Крамарь // известия юфу. Технические науки. – 2023. – № 2 (232). – С. 250–263.
- Метрики оценки алгоритмов автоматического сопровождения / А.Е. Щелкунов, В.В. Ковалев, К.И. Морев, И.В. Сидько // Известия ЮФУ. Технические науки. – 2020. – № 1 (211). – С. 233–245.
Statistics
Views
Abstract - 2
PDF (Russian) - 2
Refbacks
- There are currently no refbacks.