مدل سازي فروش محصولات مصرفي با استفاده از سيستم استنتاج عصبي-فازي

Modeling of Consumer Product Sales using an Adaptive Neuro-Fuzzy Inference System

مدل سازي فروش در اين فضاي بسيار رقابتي براي هر كسب و كاري نقش اساسي دارد. پيش بيني فروش محصولات در گونه هاي مختلف خرده فروشي به نگراني اصلي شركت ها براي ارزيابي گردش و توان رقابتي محصولات تبديل شده است. مدل سازي فروش در صنعت محصولات مصرفي به دليل وجود طيف گسترده اي از ويژگي هاي متغير محصول، بسيار پيچيده است. هدف اين پژوهش، طراحي يك سيستم استنتاج عصبي-فازي جهت مدل سازي فروش محصولات مصرفي در گونه‌هاي مختلف خرده‌فروشي است. در اين پژوهش، فروش از نظر خبرگان صنعت محصولات مصرفي و با استفاده از تكنيك انفيس بررسي شده است. انفيس، يك تكنيك جديد براي تخمين فروش است كه تركيبي از قابليت يادگيري شبكه هاي عصبي و قابليت تعميم منطق فازي را دارا است. معيارهاي ورودي و خروجي پژوهش از طريق مصاحبه عميق با 12 نفر از صاحب‌نظران و مديران فروشگاهي و همچنين جمع‌آوري داده‌هاي ميانگين فروش يك سال 336 محصول مختلف (1398) تعيين شده است. نتايج پژوهش نشان داد كه مدل سازي فروش بر اساس سيستم انفيس مي تواند به توليدكنندگان محصولات مصرفي كمك كند تا تقاضاي گونه هاي خرده فروشي را با دقت بالاتر پيش بيني كنند. در نهايت، كارآئي آموزش و آزمون مدل فازي طراحي شده با استفاده از شاخص هاي جذر ميانگين مربعات خطا، ميانگين قدر مطلق خطا، ميانگين خطاي استاندارد و خطاي مطلق نسبي مورد ارزيابي قرار گرفت.

Sales modeling is essential for businesses in today’s strongly competitive world. The sales forecasting of products under different retail format has become a major concern of companies for evaluating the circulation and competitiveness of their products. Due to the presence of a wide range of variable product characteristics, it is very complicated to model the sales of consumer products. The present study aims to design an adaptive neuro-fuzzy inference system (ANFIS) to model the sales of consumer products under different retail format. Sales were investigated based on the views of consumer product experts through the ANFIS technique. As a new technique for sales estimation, ANFIS is a combination of neural network learning and fuzzy logic generalization. The input and output criteria were determined by performing in-depth interviews with twelve sales experts and managers and collecting the average sales data of 336 products in 2019. The results indicated that ANFIS-based sales modeling could help manufacturers of consumer products more accurately forecast retail type demands. Finally, the training and testing efficiency of the proposed model was evaluated using the root mean square error (RMSE), mean absolute error (MAE), standard error of the mean (MSE), and relative absolute error (RAE).