Прогнозирование банковских продаж на примере ПАО «Сбербанк»

Аннотация

Введение. В исследовании подчеркивается актуальность задачи моделирования и прогнозирования банковских продаж на примере ПАО «Сбербанк» в контексте эффективного управления бизнесом. Прогнозирование объемов продаж является важным инструментом, позволяющим предсказать спрос на продукты и услуги, определить оптимальные стратегии и тактики для достижения целей компании. Уникальность исследования состоит в использовании методов искусственного интеллекта в области маркетинга. Результаты применения методов прогнозирования на проприетарной выборке данных о ежедневных продажах ПАО «Сбербанк» обладают элементами новизны, что придает значимость разработке оптимальных стратегий и тактик для успешного управления бизнесом. Основная гипотеза исследования заключается в проверке прогностических способностей методов машинного обучения в сравнении с классическими эконометрическими подходами при моделировании объемов продажах ПАО «Сбербанк».

Цель. Разработка моделей прогнозирования продаж универсальных продуктов и их инструментальная реализация для блока «Сеть продаж» ПАО «Сбербанк».

Материалы и методы. В работе использованы методы системного анализа, статистические и экономико-математические методы анализа данных и их обработки. На собранных и предварительно обработанных данных о продажах условных продуктов ПАО «Сбербанк», отражающих динамику банковских продаж, проведены вычислительные эксперименты для построения ряда моделей прогнозирования и обоснован выбор наилучшей модели из числа построенных.

Результаты. Модели на основе методов случайного леса (Random Forest) и градиентного бустинга (XGBRegressor) позволили получить прогнозы, точность которых существенно выше точности прогнозов ARIMA-модели и линейной регрессии на обучающей и тестовой выборках.

Выводы. Результаты проведенной работы позволяют утверждать, что методы машинного обучения в настоящий момент являются перспективными для решения задач прогнозирования банковских продаж и могут выступать предметом дальнейших исследований в данной области. Внедрение методов машинного обучения в банковскую практику способно значительно улучшить эффективность существующего управления продажами и рисками.

Ключевые слова: прогнозирование, объем продаж, финансовая отчетность, эконометрические модели, машинное обучение, статистические методы

СПИСОК ИСТОЧНИКОВ

1. Бондарева К. И. Понятие и сущность продажи товаров в современных условиях // Экономика и социум. 2016. № 6-3 (25). С. 9–12. EDN WMTGLJ
2. Зверев О. А. Система продаж банковских продуктов как неотъемлемый элемент рыночного механизма в банковской сфере // Финансы и кредит. 2004. № 14 (152). С. 3–9. EDN HVQOPL
3. Чернов М. В. Понятие и сущность процесса продаж // Экономика и управление: анализ тенденций и перспектив развития. 2016. № 26. С. 76–79. EDN VWSGTD
4. Плотникова А. В., Хашова В. В., Вишнякова А. Б. Прогнозирование как элемент принятия управленческих решений в деятельности ПАО «Сбербанк России» // Вестник молодых ученых Самарского государственного экономического университета. 2018. № 2 (38). С. 123–127. EDN VMOAHK
5. Руденко И. В. Управление продажами: истоки, сущность, подходы // Вестник Омского университета. Серия: Экономика. 2012. № 4. С. 21–25. EDN QJCIOZ
6. Мифодовская Ю. С. Анализ и прогнозирование продаж и закупок на основе математических моделей для торговых компаний // Инновации. Наука. Образование. 2021. № 34. С. 2710–2713. EDN EEMBSQ
7. Хорзова Я. А. Применение различных методов прогнозирования объема продаж // Электронный научный журнал. 2016. № 4 (7). С. 596–603. DOI 10.18534/enj.2016.04.596. EDN WAQCOF
8. Афанасьев Г. И., Афанасьев А. Г., Бурмистрова М. В., Тэт В. Я. С. Исследование методов машинного обучения для прогнозирования эффективных бизнес-решений в системах электронной коммерции // E-Scio. 2022. № 11 (74). C. 1–14. EDN KCTBIG
9. Валиахметова Ю. И., Идрисова Э. И. Применение методов машинного обучения в области прогнозирования объема продаж с учетом динамически изменяющихся признаков // StudNet. 2020. Т. 3, № 10. С. 98. EDN GRCMQK
10. Антонов Г. В., Иванов С. И. Линейная регрессия как один из методов статистического исследования // Известия Великолукской государственной сельскохозяйственной академии. 2021. № 2 (35). С. 64–75. EDN UNIRWN
11. Ge H., Fang L. Prediction Model of Physical Goods Sales based on Time Series Analysis // Frontiers in Business, Economics and Management. 2022. Vol. 5, no. 2. P. 90–97.
12. Zhang Z. Sales Prediction Based on ARIMA Time Series and Multifactorial Linear Model // Highlights in Science, Engineering and Technology. 2023. Vol. 38. P. 1–8. DOI 10.54097/hset.v38i.5680
13. Сердинская Ю. А., Мокшин В. В. Использование методов машинного обучения для оценки прогнозирования продаж товара // Информатика: проблемы, методы, технологии (IPMT-2022): материалы XXII Междунар. науч.-практ. конф. им. Э. К. Алгазинова. Воронеж: Вэлборн, 2022. С. 1062–1068. EDN NXQUYK
14. Pavlyshenko B. Machine-Learning Models for Sales Time Series Forecasting // Data. 2019. Vol. 4, no. 1. Article 15. DOI 10.3390/data4010015
15. Zilrahmi M. A. Yu., Putra A. A., Fitri F. Comparison Fuzzy Time Series Cheng and Ruey Chyn Tsaur Model for Forecasting Sales at Empat Saudara Store // UNP Journal of Statistics and Data Science. 2023. Vol. 1, no. 3. P. 218–225. DOI 10.24036/ujsds%2Fvol1-iss3%2F56