Автоматизация поддержки выбора маркетинговой стратегии на основе интеллектуального прогнозирования спроса на услуги

Аннотация


Представлен анализ различных методов прогнозирования спроса для телекоммуникационной компании «Триколор» с использованием как статистической модели SARIMA, так и современных подходов, включая XGBoost и рекуррентные нейронные сети. Исследование охватывает применение этих методов для оценки будущих изменений спроса на тарифные планы, учитывая сезонные колебания и другие влияющие факторы. Освещены вопросы настройки моделей, выбора параметров, а также вызовы и решения, связанные с каждым из методов, чтобы повысить точность прогнозов. Работа подчеркивает значимость интеграции разнообразных методов прогнозирования в стратегическое планирование и оперативное управление компанией в условиях рыночной конкуренции и изменчивости потребительских предпочтений. Результаты могут быть использованы для формирования гибких стратегий управления спросом и оптимизации предложений компании.

Полный текст

8

Об авторах

И. Ю Коцюба

Университет ИТМО

П. А Алексеев

Университет ИТМО

Список литературы

  1. Компания Триколор [Электронный ресурс]. – 2024. – URL: https://www.tricolor.ru/ about/ (дата обращения: 08.05.2024).
  2. Chernykh, M.A. Маркетинговый менеджмент поведения клиентов на рынке услуг / M.A. Chernykh // Державинские чтения: материалы XXII Всероссийской научной конференции. – 2017. – С. 180–187.
  3. Есимжанова, С.Р. Формирование маркетинговой коммуникационной стратегии компании / С.Р. Есимжанова, Д.Е. Сейфуллина // Наука и образование сегодня. – 2021. – № 5 (64). – С. 21–25.
  4. Пэйен, Ц. Трансформация российского производства телепрограмм в эпоху искусственного интеллекта / Ц. Пэйен // Современные инновации. – 2020. – № 2 (36). – С. 49–51.
  5. 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).
  6. 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.
  7. Васина, Д.И. Обзор и апробирование методов машинного обучения для краткосрочного прогнозирования / Д.И. Васина // МСиМ. – 2023. – № 4 (68). – С. 59–70.
  8. Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – М.: ДМК Пресс, 2015. – 400 с.
  9. 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.
  10. 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).
  11. 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).
  12. 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.
  13. 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.
  14. 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.
  15. 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.

Статистика

Просмотры

Аннотация - 2

PDF (Russian) - 3

Ссылки

  • Ссылки не определены.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах