Прогнозирование спроса  и нейронные сети

Традиционные методы прогнозирования опираются на данные прошлых наблюдений, а затем используют найденную модель для экстраполяции значений интересующей переменной в будущее. Это предполагаемое значение и используется как прогноз, на основании которого затем строится план мероприятий. В таких моделях исходно предполагается, что поведение исследуемой системы в будущем будет точно таким же, как и в прошлом, за исключением тех переменных, которые специально выделяются в модели.

Используя достижения компьютерной техники, мы пытаемся в развивающихся технологиях из области искусственного интеллекта повторить процессы человеческого мозга и нервной системы. Несмотря на то, что истоки этой области исследований лежат в биологии и психологии, она быстро распространяется в иные сферы деятельности, включая бизнес и экономику. Тремя основными направлениями искусственно интеллекта являются обработка лингвистической информации, робототехника и искусственные нейронные сети. Последнее нашло наибольшее применение в коммерции, включая проблемы прогнозирования.

При создании нейронной сети в компьютере программируется множество моделей, охватывающих полный набор прошлых взаимоотношений между всеми переменными, способными  повлиять на результирующие значения зависимых переменных. Программа нейронной сети ассимилирует эти модели и предпринимает попытку установить существующие связи, “изучая” то, как они изменялись до этого.

Некоторые исследователи в области прогнозирования отметили сходство между принципами функционирования нейронных сетей и традиционными методами прогнозирования, в которых предпринимается попытка найти величины, необходимые для успешного прогноза. Преимущество использования нейронных сетей состоит в том, что здесь не нужно заранее устанавливать взаимоотношения между величинами, поскольку метод предусматривает изучение существующих взаимосвязей на готовых моделях. Кроме того, нейронные сети могут эффективно работать с неполными данными.

Достижение успеха в применении нейронной сети иногда называют полной совместимостью. Это означает, что программа нейронной сети быстро замещает существующую модель, например, регрессионный анализ, не нарушая работы организации. Повышение эффективности, как и достижение большей точности прогнозов, иногда может быть достигнуто с минимальным вмешательством в текущее управление. Нейронные сети особенное эффективны в тех случаях, когда исходные данные сильно коррелируют либо неполны или рассматриваемой системе свойственна высокая степень нелинейности.

Торговые сети активно используют нейронные сети не только для прогнозирования спроса, но и для увеличения продаж, работы с ассортиментом, настройки системы лояльности, а также в управлении товарными запасами. С помощью нейросетей можно оптимизировать запасы скоропортящихся товаров на складе или точно спрогнозировать количество необходимой продукции в зависимости от географии или сезона.