# A Comparative Study on Forecasting of Retail Sales

**Authors:** Md Rashidul Hasan, Muntasir A Kabir, Rezoan A Shuvro, Pankaz Das  
**arXiv:** [2203.06848](https://arxiv.org/abs/2203.06848)  
**Date:** 2022-03-14  
**Summary page:** https://www.summarizepaper.com/fr/paper/2203.06848v1/

## Key points

- Prédire les ventes de produits des grandes entreprises de vente au détail est difficile en raison de la nature volatile des tendances, des saisons et des événements ainsi que des facteurs inconnus tels que la concurrence sur le marché, le changement des préférences des clients ou encore les événements imprévisibles comme l'épidémie de COVID-19.
- Une comparaison a été effectuée entre différents modèles de prévision en utilisant les données historiques de vente provenant de Walmart pour prédire leurs ventes futures.
- Un aperçu théorique complet et une analyse approfondie des modèles actuels avancés pour la prévision chronologique ont été fournis.
- Les modèles ARIMA, Prophet développé par Facebook et LightGBM basée sur l'algorithme Gradient Boosting Machine développée par Microsoft ont été appliqués à l'ensemble de données du défi M5 forecasting by Kaggle.
- Le modèle ARIMA surpasse les modèles Facebook Prophet et LightGBM tandis que le modèle LightGBM offre un gain computationnel considérable pour l'ensemble volumineux de donnée avec une compromission nulle dans la précision des prévisions.
- Cette étude comparative fournit aux entreprises du secteur commercial une base solide pour choisir le meilleur modèle selon leurs besoins spécifiques en matière d'analyse prédictive.

## Summary

Le fait de prédire les ventes de produits des grandes entreprises de vente au détail est une tâche difficile en raison de la nature volatile des tendances, des saisons et des événements ainsi que des facteurs inconnus tels que la concurrence sur le marché, le changement des préférences des clients ou encore les événements imprévisibles comme l'épidémie de COVID-19. Dans cet article, nous avons effectué une comparaison entre différents modèles de prévision en utilisant les données historiques de vente provenant de Walmart pour prédire leurs ventes futures. Nous avons fourni un aperçu théorique complet et une analyse approfondie des modèles actuels avancés pour la prévision chronologique. Ensuite, nous avons appliqué ces modèles à l'ensemble de données du défi M5 forecasting by Kaggle. Plus spécifiquement, nous avons utilisé un modèle traditionnel tel qu'ARIMA (Autoregressive Integrated Moving Average), ainsi que les récemment développés modèles avancés tels que le modèle Prophet développée par Facebook et le modèle LightGBM basée sur l'algorithme Gradient Boosting Machine développée par Microsoft et évaluons leurs performances. Les résultats suggèrent que le modèle ARIMA surpasse les modèles Facebook Prophet et LightGBM tandis que le modèle LightGBM offre un gain computationnel considérable pour l'ensemble volumineux de donnée avec une compromission nulle dans la précision des prévisions. Cette étude comparative fournit donc aux entreprises du secteur commercial une base solide pour choisir le meilleur modèle selon leurs besoins spécifiques en matière d'analyse prédictive.