رويكرد تركيبي پيش‌بيني تقاضاي كانال همه‌جانبۀ يكپارچه، با استفاده از يادگيري ماشين - خوشه‌بندي سري‌هاي زماني با الگوريتم پيچش زماني پويا و شبكه‌هاي عصبي مصنوعي

پذيرش كانال‌هاي آنلاين و تجارت الكترونيك، به تغييرات مداوم و پويا در صنعت خرده‌فروشي، به‌عنوان يك توسعۀ اجتناب‌ناپذير منجر شده و بسياري از شركت‌ها را با چالش انتخاب مناسب‌ترين كانال‌ فروش، براي ارائۀ يك تجربۀ يكپارچه به مشتريان خود مواجه كرده است. خرده‌فروشي همه‌‌جانبۀ يكپارچه، با مفهوم ادغام همۀ كانال‌ها، ضمن ايجاد تجربۀ مذكور، باعث افزايش پيچيدگي فرآيندهاي پيش‌بيني و برنامه‌ريزي مي‌شود. اين پژوهش با هدف كاهش عدم اطمينان تقاضاي ناشي از خطاي پيش‌بيني، ازطريق در نظر گرفتن رفتار خريد مشتريان در پيش‌بيني و به كمك استفاده از روش‌هاي يادگيري ماشين، روشي دقيق‌تر براي پيش‌بيني تقاضاي كانال همه‌جانبۀ يكپارچه ارائه كرده است. به اين منظور، ابتدا داده‌هاي فروش شركت مطالعه‌شده، جمع‌آوري و با استفاده از الگوريتم پيچش زماني پويا خوشه‌بندي شد؛ سپس بر هر خوشه يك بار شبكۀ عصبي اتو رگرسيو غيرخطي و بار ديگر، شبكۀ عصبي اتو رگرسيو غيرخطي با ورودي برون‌زا اجرا و نتايج حاصل از شبكه‌هاي عصبي با معيارهاي ارزيابي عملكرد R2 و RMSE با روش استفاده‌شده در شركت مطالعه‌شده، مقايسه شد. مقايسۀ نتايج نشان داد عملكرد شبكۀ عصبي اتو رگرسيو غيرخطي، با ورودي برون‌زا بر داده‌هاي خوشه‌بندي‌شده به روش پيچش زماني پويا، براي كاهش خطاي پيش‌بيني تقاضا در كانال همه‌جانبۀ يكپارچه، نسبت‌به دو روش ديگر برتري دارد.