Валидация прогноза расходов потребителей товаров аптечного ассортимента на основе технологий машинного обучения

Аннотация

Обоснование. В настоящее время валидация прогноза расходов потребителей товаров аптечного ассортимента является недостаточно изученной в разрезе анализа больших данных (Big Data). Систематический сбор и анализ больших массивов данных о потребительском поведении – ключевой этап в целевом маркетинге аптечных организаций, который способствует повышению скорости реагирования на изменение рыночных трендов.
Цель исследования. Проведение валидации прогноза расходов потребителей товаров аптечного ассортимента для задач целевого маркетинга.
Материалы и методы. Построение модели прогноза проведено путем анализа транзакций в 1121 аптечной организации за период 2018-2023 гг. Статистическая обработка данных проводилась с помощью специализированных компьютерных программ: данные по транзакциям собраны через sqlalchemy (sql server) - pd.read_sql; ⁠обработка и хранение данных осуществлялось в pd.read_feather; ⁠⁠препроцессинг данных - с применением библиотеки pandas и numpy, difflib, pymystem3, sklearn, networkx, re, timezonefinder; ⁠моделирование - на sklearn, xgboost, catboost, scipy.
Результаты. В ходе исследования фактические средние денежные расходы потребителей были распределены на минимально-необходимые, стандартные, комфортные и необязательные расходы. Рассчитанный межквартильный размах составил 44294,46 руб. С применением алгоритмов искусственного интеллекта были смоделированы расходы потребителей товаров аптечного ассортимента на основе данных предыдущих периодов. Проведено сегментирование потребителей товаров аптечного ассортимента по критериям: число потребителей, средняя сумма чека, общая сумма выручки, средний доход с клиента и анализ прогноза расходов потребителей товаров аптечного ассортимента на основе больших данных. По 31,93% прогнозов суммарных расходов (до учета маржинальности) потребителей решение отклонилось от факта на менее 1 тыс. руб., по 51,87% прогнозов – на менее 2 тыс. руб. (накопительным итогом).
Результаты исследования частично подтвердили выдвинутую гипотезу. Применение технологий машинного обучения позволяет строить достоверные прогнозы объёмов покупок ТАА для категорий минимально необходимых и стандартных расходов. Однако в отношении комфортных и необязательных расходов гипотеза подтверждения не нашла. Тем не менее анализ точности прогноза на основе технологий машинного обучения показал его высокую надежность, ошибка прогноза суммарных расходов большинства потребителей была незначительной.