کاربرد نرم افزار پیش بینی فروش اتوماتیک برای بهینه سازی استراتژی‌های بازاریابی محصول
مقاله با عنوان "کاربرد نرم افزار پیش بینی فروش اتوماتیک برای بهینه سازی استراتژی‌های بازاریابی محصول" توسط میثم برداره، مهدی فرج‌پور و علی شریفی نوشته شده است. این مقاله در چهارمین کنگره بین‌المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب‌وکار در تاریخ ۵ و ۶ فوریه ۲۰۲۵ در دانشگاه هنر اسلامی تبریز ارائه شده است
چکیده
هدف این مطالعه استفاده از نرم‌افزار پیش‌بینی فروش اتوماتیک برای پیش‌بینی داده‌های تراکنشی فروش است. این نرم‌افزار شامل دو ویژگی اصلی تحلیل توصیفی و قابلیت پیش‌بینی همراه با تصویرسازی داده‌ها است. روش‌های پیش‌بینی در این نرم‌افزار شامل میانگین متحرک ساده، هموارسازی نمایی مقاوم، Auto ARIMA، شبکه عصبی مصنوعی، Holt-Winters و پیش‌بینی ترکیبی است. نرم‌افزار می‌تواند به طور هوشمند بهترین روش پیش‌بینی را بر اساس مقادیر RMSE انتخاب کند.
نتایج نشان داد که نرم‌افزار پیش‌بینی فروش اتوماتیک به طور موفقیت‌آمیز داده‌های تراکنشی فروش را تحلیل کرده است
کلیدواژه‌ها: وب‌سایت، هوش محاسباتی، پیش‌بینی فروش اتوماتیک، استراتژی‌های بازاریابی
۱. مقدمه
در عصر دیجیتال، فعالان کسب‌وکار تلاش می‌کنند تا اکوسیستم‌هایی ایجاد کنند که به افزایش بهره‌وری، کارایی بالا و بهبود کیفیت محصولات از طریق استفاده از فناوری‌های نوین منجر شود. در بخش صنعت غذا و نوشیدنی، اغلب نیاز به بهینه‌سازی مدیریت بازاریابی در قالب مدیریت موجودی کالا، کفایت سرمایه و مدیریت قیمت‌ها وجود دارد تا به سود بهینه دست یابند. مدیریت بازاریابی برای فعالان کسب‌وکار ضروری است تا قوانین فروش را بهینه کنند.
روش‌ها
این پژوهش یک تحقیق کاربردی است که نرم‌افزار پیش‌بینی فروش خودرو را برای داده‌های تراکنش فروش فروشگاه‌های مختلف به کار می‌گیرد.
داده‌ها و متغیرها
اولین گام در این تحقیق، جمع‌آوری داده‌ها همراه با چندین متغیر مرتبط با پیش‌بینی فروش است. داده‌های استفاده شده در این مطالعه شامل داده‌های تراکنش‌های ثبت شده در پایگاه داده فروشگاه‌های مختلف است. داده‌های تراکنش استخراج شده مربوط به فروش محصولات در بازه زمانی دو سال از ژانویه ۲۰۱۸ تا اکتبر ۲۰۱۹ می‌باشد. متغیرهای استفاده شده در این مطالعه عبارتند از قیمت، سرمایه محصول، موجودی محصول، قیمت فروش و تعداد محصولات فروخته شده.
تحلیل توصیفی
مرحله دوم انجام تحلیل توصیفی بر روی داده‌های تراکنش فروش است. تحلیل توصیفی برای شناسایی تعداد محصولاتی که بیشترین تقاضا را میان مصرف‌کنندگان دارند و همچنین محصولاتی که کمترین تقاضا را دارند، به کار گرفته می‌شود. این مرحله همچنین میزان سود فروش هر محصول را در یک بازه زمانی خاص نشان می‌دهد.
مدل پیش‌بینی
مرحله سوم ساخت یک مدل پیش‌بینی با استفاده از روش‌های پیش‌بینی زیر است:
- میانگین متحرک ساده (SMA): روشی که مفهوم اصلی آن جمع کردن تمامی داده‌های مشاهده شده و تقسیم آنها بر تعداد دوره‌های مشخص است
- هموارسازی نمایی مقاوم (RES): این روش پیش‌بینی جدید با هدف هموارسازی و کاهش واریانس در برآورد پارامترهای روش هموارسازی نمایی توسعه یافته است
- Auto ARIMA: مدل ARIMA/SARIMA یک مدل پیش‌بینی انعطاف‌پذیر و محبوب است که از اطلاعات تاریخی برای پیش‌بینی استفاده می‌کند.
- شبکه عصبی مصنوعی (ANN): یک روش جدید در پیش‌بینی است که می‌تواند روابط پیچیده میان ورودی‌ها و خروجی‌ها را مدل کند و الگوهای موجود در داده‌ها را شناسایی نماید
- Holt-Winters: یکی از روش‌های پیش‌بینی است که برای مدل‌سازی داده‌های دارای الگوهای فصلی با یا بدون روند استفاده می‌شود
- پیش‌بینی ترکیبی (Hybrid Forecast): شامل ترکیب چندین روش پیش‌بینی با وزن‌های مشخص هستند
ارزیابی مدل
مرحله بعدی انتخاب بهترین روش پیش‌بینی پس از ساخت مدل‌های پیش‌بینی قبلی است. یک مدل خوب باید دقت بالایی در پیش‌بینی‌ها داشته باشد. روش‌هایی که معمولاً برای اندازه‌گیری دقت مدل‌های پیش‌بینی استفاده می‌شوند عبارتند از خطای میانگین مربعات (MSE)، خطای درصدی مطلق میانگین (MAPE)، انحراف مطلق میانگین (MAD) و ریشه میانگین مربعات خطا (RMSE).
پیش‌بینی با استفاده از بهترین روش
آخرین مرحله اجرای پیش‌بینی است. نرم‌افزار پیش‌بینی فروش اتوماتیک به صورت هوشمند طراحی شده است تا بهترین روش پیش‌بینی را بر اساس کمترین مقدار RMSE انتخاب کند. سپس این روش‌ها برای پیش‌بینی داده‌های تراکنش فروش استفاده می‌شوند.
نتایج و بحث
نرم‌افزار پیش‌بینی فروش اتوماتیک به صورت آنلاین قابل دسترسی است. این نرم‌افزار برای پیش‌بینی تعداد محصولات فروخته شده در فروشگاه‌های مختلف استفاده شده است.
تحلیل خلاصه
تحلیل توصیفی نمای کلی از داده‌های تراکنش فروش را ارائه می‌دهد. در فروشگاه نمونه، ۴۳ نوع محصول موجود است. سه محصول پرطرفدار که بیشترین تقاضا را در میان مشتریان دارند عبارتند از: نان مانیس (Bread Manis)، نان ماروس (Bread Maros) و کوی ترادیسیونال (Kue Tradisional) با قیمت ۳,۵۰۰ ریال. تعداد کل محصولات فروخته شده Bread Manis برابر با ۵۷,۷۲۴ محصول است.
بهترین روش پیش‌بینی
تحلیل بعدی به پیش‌بینی داده‌های کمی با استفاده از روش‌های مختلف پیش‌بینی می‌پردازد. بهترین مدل پیش‌بینی، روش Robust Exponential Smoothing است که برای محصول Roti Manis دارای کمترین مقدار RMSE برابر با ۰.۸۲۹۴۱۴۹ بود. این نتیجه به این دلیل حاصل می‌شود که روش Robust Exponential Smoothing در برابر داده‌های نوسانی و پراکنده مقاوم‌تر است.
پیش‌بینی فروش
تحلیل بعدی به پیش‌بینی موجودی محصولاتی می‌پردازد که در روزهای آینده فروخته خواهند شد. محصولی که پیش‌بینی شده است، محصولی است که بیشترین تقاضا را در میان مصرف‌کنندگان دارد، یعنی Bread Maros. نتایج نشان می‌دهد که در سال ۲۰۱۹ افزایش فروش محصول رخ داده است و این افزایش در تاریخ ۸ آوریل ۲۰۱۹ به اوج خود رسید، جایی که تعداد ۱۳۴۴ محصول به فروش رسید. نتایج پیش‌بینی محصولات Roti Maros نشان داده است که مقدار پیش‌بینی شده برای تمامی روزها یکسان و در حدود ۱۱۶ محصول با بازه‌های اطمینان متفاوت است.
نتیجه‌گیری
نرم‌افزار Auto Sales Forecasting یک برنامه جدید است که از مزایای محاسبات هوشمند برای انتخاب بهترین روش پیش‌بینی بهره می‌برد. این نرم‌افزار برای پیش‌بینی تعداد محصولات فروخته شده در فروشگاه از طریق صفحه آنلاین به کار گرفته شده است. نتایج نشان می‌دهد که روش هموارسازی نمایی مقاوم (Robust Exponential Smoothing) بهترین روش پیش‌بینی است که کمترین مقدار ریشه میانگین مربعات خطا (RMSE) را دارا می‌باشد.
هدف این مطالعه استفاده از نرم‌افزار پیش‌بینی فروش اتوماتیک برای پیش‌بینی داده‌های تراکنشی فروش است.
