在危机期间基于机器学习的销售预测:来自土耳其女装零售商的证据

科学领域:

• 零售分析 零售分析
• 供应链管理 供应链管理
• 机器学习应用 机器学习应用

背景情况:

• 自然灾害和流行病严重破坏零售供应链,造成短缺和财务压力.
• 随着COVID-19的流行,零售商需要调整销售预测以适应波动的情况.
• 定期评估销售量和消费者行为对于零售业的危机准备至关重要.

研究的目的:

• 探索在危机期间调整零售销售预测的策略.
• 分析不同产品类别的消费者行为转变和销售影响.
• 评估各种机器学习方法在零售预测中的有效性.

主要方法:

• 利用机器学习 (ML) 算法来分析销售数据和消费者行为.
• 检查的产品类别包括服装,配件和鞋类.
• 评估了梯度提升,CatBoost,多层感知器 (MLP),LightGBM和XGBoost的性能.

主要成果:

• 梯度提升和CatBoost在高销售变化类别中表现出色.
• MLP在配件和鞋类等低体积类别中表现出有效性.
• 在外衣和内衣等中量类别中,MLP,LightGBM和XGBoost取得了成功.

结论:

• 机器学习模型有效地将销售预测适应危机条件.
• 调查结果提供了一种实际的方法,以提高零售商对中断的抵御力.
• 这项研究提供了一种有效的方法,可以使销售预测适应危机期间不断变化的消费者行为.