УДК 330.341.1
DOI: 10.36871/2618-9976.2025.07.005
Авторы
Андрей Андреевич Яровой,
Студент факультета компьютерных наук, Национальный исследовательский университет «Высшая школа экономики»
Аннотация
Эффективное прогнозирование потребительского спроса играет ключевую роль в управлении запасами, планировании продаж и оптимизации логистических процессов, особенно в условиях экономической нестабильности и высокой изменчивости потребительского поведения. Целью статьи является сравнительный анализ традиционной статистической модели Prophet и нейросетевой модели LSTM на основе реальных данных о продажах в розничной торговле. Методологическая основа исследования включает описание алгоритмов, критериев оценки качества прогнозов, а также экспериментальную проверку моделей по метрикам MAE, RMSE и MAPE. Установлено, что модели глубокого обучения демонстрируют более высокую точность в условиях сложной динамики спроса, однако регрессионные подходы сохраняют преимущества в части интерпретируемости, скорости внедрения и устойчивости при дефиците данных. Предложены рекомендации по выбору модели в зависимости от структуры данных, бизнес-целей и уровня цифровой зрелости компании. Сделан вывод о целесообразности применения гибридных решений и поэтапного внедрения интеллектуальных систем прогнозирования.
Ключевые слова
прогнозирование спроса
краткосрочный прогноз
машинное обучение
Prophet
LSTM
временные ряды
нейросетевые модели
торговля
адаптивные алгоритмы
экономическая нестабильность
