Résultats du processus de synthèse de l'article arXiv : 2203.06848v1

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.

• 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.

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 appliqués ces modèles à l'ensemble de donnée du défi M5 forecasting by Kaggle. Plus spécifiquement, nous avons utilisés 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 autres modèles Facebook Prophet et LightGBM tandis que ce dernier offre un gain computationnel considérable pour l'ensemble volumineux de donnée sans compromission 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.

Introduction

La prise rapide et exacte de décision est essentielle à la survie d’une entreprise commerciale moderne car elle permet aux dirigeants d’anticiper correctement les variations du marchés afin qu’ils puissent adapter rapidement sont portefeuille produit ou même modifier certaines stratagèmes marketing pour rester compétitives face à la concurrence croissante qui existent actuellement sur presque chaque marchés commerciaux modernes. Pratiquement chaque activité commerciale implique maintenant l’utilisation intensive d’outils analytiques sophistiquer afin non seulement obtenir plus facilement accroître sont chiffres d’affaires mais aussi amortir certains risques liés aux fluctuations inattendues du marchés qui peut affecter directement son activité principale. La capacité à anticiper correctement ces fluctuations peut être tracée grâce à divers outils analytiques dont principalement celui appeler « Analyse Prdictive » qui consiste essentiellement à analyser un ensemble volumineux donnée historique afin y trouver certain schama récurrents qui permettrait alors aux analystes commerciaux prendre rapidemment certain decision adpatative en fonction du contexte actuel .

Objectif

L’objectif principal derrière ce travail est double : premièrement comparer différnts model statistiques couramment utiliser parmi lesquell on retrouve ARIMA , Facebook Prophet and LightGBM , ensuite evaluer respectivement performance chacun ceci model grace a un ensemble volumineux donnee historique provenant directemnet du challenge Kaggel M5 Forecasting .

Modelle Statistiques

Le modele statistique ARIMA (Autoregressive Integrated Moving Average) est considerer commme classiqye car il date depuit plusieur decennies . Il repose fondamentalemet sur troix concept : Autocorrelation , Differenciation stationnarite . A part ca on retrouve egalemet recenetmen developpe modele tel qul Prophet par facebook oue encore LighgBM baser su algorithme Gradien Boosting Machine par Microsoft .

Evaluation Des Model

Pour evaluer respectivemnet performance chacun model on va utliser ensemble voluminex data provenan diretemnet challenge kaggel M5 Forecasting . Les resultats montrer clairemet ke modeel ARIMA surpassser netemen autree modelee tel qul Prophte oue LighgBM alors ke ce denrier ofrir gain computationnel considerabel poour lensemble data voiumineuse san compromission precion prevision futur .

Conclusion

Cette Etude Comparative fournir doonc aux enterises secteur comerciaul base solid poour choisi melieu model selon besoin specifiqeu matiere analyse predicitve