Применение методов машинного обучения для определения оптимальных точек продаж табачной продукции для малого и среднего бизнеса

В диссертации представлен пошаговый процесс создания готового к использованию сервиса для прогнозирования продаж в новых точках розничной торговли табачными изделиями в Москве. Сервис основан на методах машинного обучения, применяемых к данным государственной системы маркировки «Честный знак». Разработка сервиса включает четыре ключевых этапа: сбор и анализ данных о маркировке, парсинг необходимых характеристик и справочников, обучение моделей машинного обучения и запуск Telegram-бота. Первый этап - сбор и анализ данных - предполагает подключение к базам данных системы маркировки, извлечение данных (более 7 миллиардов записей), статистический и экспертный анализ этих данных, выявление зависимостей и аномалий, а также агрегирование данных для оптимизации процессов машинного обучения. Второй этап, парсинг характеристик, осуществляется через открытые сервисы и включает анализ геоданных, таких как количество зданий различных типов вокруг торговой точки, расстояния до станций метро и конкурентов. Этот этап является наиболее сложным и ресурсоемким, поэтому данная работа ограничена одним городом - Москвой, и одним форматом - табачной лавкой. Третий этап - обучение моделей машинного обучения - предполагает применение различных методов, таких как линейная регрессия, деревья решений и ансамбли моделей (Random Forest, Gradient Boosting, XGBoost). Основной метрикой успеха является MAPE, который составил 0,46, что является лучшим результатом среди существующих аналогов. Последний этап - разработка финального интерфейса - реализован в виде бота Telegram, выбранного за его популярность среди пользователей, простоту разработки и удобство использования. Данный подход демонстрирует, как современные технологии машинного обучения могут эффективно применяться для решения практических задач в сфере розничной торговли. Таким образом, представленная работа демонстрирует, как современные технологии машинного обучения могут быть эффективно использованы для решения актуальных коммерческих задач в сфере розничной торговли. В перспективе планируется распространить сервис на другие регионы и типы торговых точек, включая сетевые и продуктовые магазины, а также алкогольные рынки.