АНАЛИЗ ДАННЫХ И ПОСТАНОВКА ЗАДАЧИ МАШИННОГО ОБУЧЕНИЯ В УПРАВЛЕНИИ ТОВАРНЫМИ ЗАПАСАМИ ПРИ ЦЕНЗУРИРОВАННОМ СПРОСЕ
Ключевые слова:
машинное обучение, управление товарными запасами, скрытый спрос, цензурированный спрос, временные рядыАннотация
Цель исследования. Целью работы является анализ структуры данных и формализация задачи машинного обучения в управлении товарными запасами в условиях отсутствия данных о продажах. Такая ситуация характерна для оптовой торговли и дистрибуции, где доступная для анализа информация описывает не фактический спрос, а лишь наличие складских остатков и цен на определённую дату формирования прайс-листа. Материалы и методы. В качестве эмпирической базы использованы ежедневные прайс-листы крупного оптового поставщика автозапчастей, охватывающие более 100 календарных дней наблюдения. На их основе сформированы временные ряды, отражающие динамику доступности складских остатков, цен по отдельным товарным позициям. Применены методы анализа временных рядов, статистического описания данных и выявления структурных особенностей ассортимента. Результаты. В процессе накопления и обработки данных была сформирована выборка, включающая в себя 133 852 уникальные товарные единицы. Проведённый анализ показал, что для значительной части товарных позиций характерны длительные периоды отсутствия товара на складе, средняя длительность которых составила 39,3 дня, приводящие к систематическому цензурированию наблюдаемого спроса. Установлено, что львиная доля отсутствия товарных позиций на складе поставщика, а именно 91,7 % длятся не менее 3 дней, 75 % превышают 1 неделю, 55,6 % продолжаются 14 дней и более, используется без учёта эффекта цензурирования, что приводит к искажению оценки спроса и снижению качества управленческих решений. Выявлены количественные характеристики периодов отсутствия товара, подтверждающие необходимость перехода от прямого анализа наблюдаемых величин к моделированию скрытого спроса. Заключение. Полученные результаты формируют методологическую основу для разработки моделей машинного обучения, ориентированных на восстановление скрытого спроса и поддержку принятия решений в системах управления товарными запасами. Предложенный подход может быть использован при создании аналитических инструментов и программных библиотек для обработки данных в условиях неполной наблюдаемости.Библиографические ссылки
1. Silver E.A. Operations Research in Inventory Management: A Review and Critique // Operations Research. 1981. Vol. 29, no. 4. P. 628–645. DOI: 10.1287/opre.29.4.628
2. Axsäter S. Inventory Control. 3rd ed. Cham: Springer, 2015. DOI: 10.1007/978-3-319-15729-0
3. Gutierrez J.C., Polo Triana S.I., León Becerra J.S. Benefits, challenges, and limitations of inventory control using machine learning algorithms: literature review // OPSEARCH. 2025. Vol. 62.
P. 1140–1172. DOI: 10.1007/s12597-024-00839-0
4. Albayrak Ünal Ö., Erkayman B., Usanmaz B. Applications of Artificial Intelligence in Inventory Management: A Systematic Review of the Literature // Archives of Computational Methods in Engineering. 2023. Vol. 30. P. 2605–2625. DOI: 10.1007/s11831-022-09879-5
5. Микрюков А.А., Гилёв Д.В. Комбинированный метод прогнозирования спроса на продовольственные товары на основе ансамбля LSTM-сети и SARIMA-модели для интеграции в ERP-системы российского ритейла // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 4. С. 122–128. DOI: 10.14529/ctcr250409
6. Bertsimas D., Kallus N. From Predictive to Prescriptive Analytics // Management Science. 2020. Vol. 66, no. 3. P. 1025–1044. DOI: 10.1287/mnsc.2018.3253
7. Ban G.-Y., Rudin C. The Big Data Newsvendor: Practical Insights from Machine Learning // Ope¬rations Research. 2019. Vol. 67, no. 1. P. 90–108. DOI: 10.1287/opre.2018.1757
8. Микрюков А.А. Концепция и реализация нового подхода к прогнозированию продаж товарных запасов с использованием методов машинного обучения // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2025. № 5-1.
С. 115–119.
9. Cao Y., Shen Z.-J.M. Quantile forecasting and data-driven inventory management under nonstationary demand // Operations Research Letters. 2019. Vol. 47, no. 6. P. 465–472. DOI: 10.1016/j.orl.2019.08.008
10. Chen B. Data-Driven Inventory Control with Shifting Demand // Production and Operations Management. 2021. Vol. 30, no. 5. P. 1365–1385. DOI: 10.1111/poms.13326
11. Supervised learning for integrated forecasting and inventory control / J.F. van der Haar,
A.P. Wellens, R.N. Boute, R.J.I. Basten // European Journal of Operational Research. 2024. Vol. 319, no. 2. P. 573–586. DOI: 10.1016/j.ejor.2024.07.004
12. Deep reinforcement learning for inventory control: A roadmap / R.N. Boute, J. Gijsbrechts,
W. van Jaarsveld, N. Vanvuchelen // European Journal of Operational Research. 2022. Vol. 298, no. 2. P. 401–412. DOI: 10.1016/j.ejor.2021.07.016
13. Inventory – forecasting: Mind the gap / T.E. Goltsos, A.A. Syntetos, C.H. Glock,
G. Ioannou // European Journal of Operational Research. 2022. Vol. 299, no. 2. P. 397–419. DOI: 10.1016/j.ejor.2021.07.040
14. de Castro Moraes T., Yuan X.-M. Data-Driven Solutions for the Newsvendor Problem: A Systematic Literature Review // Advances in Production Management Systems. Artificial Intelligence for Sustainable and Resilient Production Systems. IFIP Advances in Information and Communication Technology. Springer, 2021. P. 149–158. DOI: 10.1007/978-3-030-85910-7_16
15. Deep Controlled Learning for Inventory Control / T. Temizöz, C. Imdahl, R. Dijkman
et al. // European Journal of Operational Research. 2025. Vol. 324, no. 1. P. 104–117. DOI: 10.1016/j.ejor.2025.01.026
