Využití strojového učení pro optimalizaci prodeje kosmetiky: Analýza a predikce

Ekaterina Pronevich

Master's thesis

Application of machine learning for cosmetics sales optimization: analysis and prediction

Abstract:

Diplomová práce se zabývá využitím strojového učení pro predikci prodeje kosmetických výrobků na českém trhu. Hlavním cílem práce bylo vybrat a využít modely pro predikci prodeje kosmetických výrobků. Sekundárním cílem bylo vyhodnotit účinnost těchto modelů. Cíle práce byly stanoveny na základě analýzy rozhovoru s obchodním manažerem společnosti vyrábějící profesionální vlasové produkty. Tento rozhovor se skládal ze šesti hlavních témat, jejichž cílem bylo komplexní poznaní procesu firmy s cílem identifikovat potřeby společnosti. K predikci prodeje byly použity reálná data kosmetické společnosti za tříleté období od roku 2021 do roku 2023. Tento soubor dat obsahoval 1 485 921 řádků a 15 sloupců o prodejích na českém trhu. Mezi vybrané a použité modely strojového učení patří SARIMAX a také modely založené na neuronových sítích, jako jsou LSTM a RNN. K vyhodnocení výkonnosti modelů byly použity metriky MAE, MAPE a MSE. Nejlepších výsledků bylo dosaženo při použití modelů založených na neuronových sítích, zejména modelu RNN, který na základě metrik vykazoval nejvyšší přesnost. Mezi faktory ovlivňující přesnost modelů patří kombinace ovlivňujících a neovlivňujících prodejních promoakcí ve stejném období.

Abstract:

The thesis deals with the use of machine learning to predict the sales of cosmetic products in the Czech market. The main objective of the thesis was to select and use models for forecasting sales of cosmetic products. The secondary objective was to evaluate the effectiveness of these models. The objectives of the thesis were determined based on the analysis of an interview with a sales manager of a company producing professional hair products. This interview consisted of six main themes aimed at gaining a comprehensive understanding of the company's process in order to identify the company's needs. Real data of the cosmetic company for a three-year period from 2021 to 2023 was used to predict sales. This dataset contained 1 485 921 rows and 15 columns of sales in the Czech market. The machine learning models selected and used include SARIMAX and neural network-based models such as LSTM and RNN. MAE, MAPE and MSE metrics were used to evaluate the performance of the models. The best results were achieved using neural network-based models, especially the RNN model, which showed the highest accuracy based on the metrics. Factors affecting the accuracy of the models include the combination of influencing and non-influencing sales promotions in the same period.

Keywords

strojové učení, neuronové sítě, SARIMAX, LSTM, RNN, MAE, MAPE, MSE, Predikce prodeje

Keywords

SARIMAX, MSE, Sales forecasting, machine learning, neural networks, LSTM, RNN, MAE, MAPE

Language used: Czech

Date on which the thesis was submitted / produced: 27. 6. 2024

Thesis defence

• Date of defence: 2024
• Supervisor: Zdeněk Smutný
• Reader: David Chudán

Vysoká škola ekonomická v Praze

Master programme:
Data a analytika pro business