Introduction. This research focuses on addressing the scientific and practical task of implementing machine learning (ML) algorithms into marketing and pricing processes. The relevance of the study is driven by the inability of traditional approaches to effectively process growing volumes of data and facilitate a transition to proactive and predictive business strategies. The aim of the work is to investigate the practical application of ML algorithms for solving two key tasks: pricing optimization through sales forecasting and enhancing marketing strategy efficiency by evaluating the effectiveness of promotional campaigns. The paper presents a methodology for building and training models, along with an analysis of their applicability based on retail trade data.
Materials and Methods. The study focused on historical data from a retail chain, including daily sales, customer traffic, and marketing activities. The study covered data from 1,115 stores, with a total sample size of over 1 million observations. The study employed a combination of machine learning techniques, including regression analysis for sales forecasting and binary classification for evaluating the effectiveness of marketing campaigns. The research architecture is based on the sequential application of gradient boosting algorithms - CatBoostRegressor for the regression task and CatBoostClassifier for the classification task. The pandas library was used for data processing, and feature engineering involved generating time-based features and calculating the performance of stocks based on comparisons with baseline sales. The models were validated using cross-validation and a test set divided by time intervals.
Results. As a result of the study, two machine learning prediction models were developed and tested. The sales prediction model achieved a determination coefficient of R² = 0.837 with a root mean squared error of RMSE = 1254.38, indicating a high accuracy in predicting daily turnover. The stock performance classification model demonstrated balanced accuracy with an F1-score of 0.65 and revealed a significant difference in the effectiveness of promotions between different store types, ranging from 73.6% to 99.7%. It was found that effective promotions lead to an increase in average sales by 87% compared to days without promotions (8244.31 vs. 4406.05). Feature importance analysis identified key influencing factors: number of customers (42.8%), distance to a competitor (15.4%), and store type (12.5%) for the effectiveness of promotions; store ID, day of the week, and the fact of a promotion for predicting sales.
Discussion and Conclusion. The practical significance of the study lies in the creation of a toolkit for optimizing marketing strategies and inventory management in retail chains. The implementation of the developed models allows for a transition from reactive to proactive sales management, improving the accuracy of demand forecasting by 15-20%, and optimizing the allocation of marketing budgets by focusing on the most effective promotion channels. The results obtained demonstrate a significant dependence of the effectiveness of promotions on the type of store and its competitive environment, indicating the need for a differentiated approach to marketing activity planning. Prospects for further research include the development of dynamic pricing systems, the integration of external factors (seasonality, macroeconomic indicators), and the creation of recommendation systems for selecting optimal stock parameters. The developed methodology can be adapted for other retail segments and service industries.
Ключевые слова: машинное обучение, ценообразование, прогнозирование продаж, маркетинг, тестовая выборка, торговля.
Keywords: machine learning, ricing, sales forecasting, marketing, test sample, trading.
Введение. Исследование направлено на решение научно-практической задачи по внедрению алгоритмов машинного обучения (МО) в процессы маркетинга и ценообразования. Актуальность работы обусловлена неспособностью традиционных подходов эффективно обрабатывать растущие объемы данных и обеспечивать переход к проактивным и прогнозным бизнес-стратегиям. Целью работы является исследование практического применения алгоритмов МО для решения двух ключевых задач: оптимизации ценообразования через прогнозирование продаж и повышения эффективности маркетинговых стратегий за счет оценки результативности промо-акций. В статье представлена методология построения и обучения моделей, а также анализ их применимости на основе данных розничной торговли.
Материалы и методы. Объектом исследования выступили исторические данные розничной сети, включающие ежедневные показатели продаж, клиентского трафика и маркетинговой активности. Исследование охватывало данные по 1115 магазинам с общей выборкой более 1 миллиона наблюдений. В работе применялся комплекс методов машинного обучения, включая регрессионный анализ для прогнозирования продаж и бинарную классификацию для оценки эффективности маркетинговых акций. Архитектура исследования построена на последовательном применении алгоритмов градиентного бустинга - CatBoostRegressor для задачи регрессии и CatBoostClassifier для задачи классификации. Для обработки данных использовалась библиотека pandas, для feature engineering - генерация временных признаков и показателя эффективности акций на основе сравнения с базовыми продажами. Валидация моделей проводилась с использованием кросс-валидации и тестовой выборки с разделением по временным интервалам.
Результаты исследования. В результате исследования разработаны и протестированы две прогнозные модели машинного обучения. Модель прогнозирования продаж достигла коэффициента детерминации R² = 0.837 при среднеквадратичной ошибке RMSE = 1254.38, что свидетельствует о высокой точности предсказания ежедневного оборота. Модель классификации эффективности акций показала сбалансированную точность с F1-score = 0.65 и выявила значительную разницу в эффективности промо-акций между различными типами магазинов - от 73.6% до 99.7%. Установлено, что эффективные акции приводят к увеличению средних продаж на 87% по сравнению с днями без акций (8244.31 против 4406.05). Анализ важности признаков идентифицировал ключевые факторы влияния: количество клиентов (42.8%), расстояние до конкурента (15.4%) и тип магазина (12.5%) для эффективности акций; идентификатор магазина, день недели и факт проведения акции - для прогнозирования продаж.
Обсуждение и заключение. Практическая значимость исследования заключается в создании инструментария для оптимизации маркетинговых стратегий и управления запасами в розничных сетях. Внедрение разработанных моделей позволяет перейти от реактивного к проактивному управлению продажами, повысить точность прогнозирования спроса на 15-20% и оптимизировать распределение маркетингового бюджета за счет фокусировки на наиболее эффективных каналах продвижения. Полученные результаты демонстрируют существенную зависимость эффективности акций от типа магазина и его конкурентного окружения, что указывает на необходимость дифференцированного подхода к планированию маркетинговых активностей. Перспективы дальнейших исследований включают разработку систем динамического ценообразования, интеграцию внешних факторов (сезонность, макроэкономические показатели) и создание рекомендательных систем для подбора оптимальных параметров акций. Разработанная методология может быть адаптирована для других сегментов розничной торговли и сферы услуг.