المؤلف المراسل: افتخار حسين أيون، البريد الإلكتروني:ayon001@gannon.edu

ثورة في تجارة التجزئة؛ نهج التعلم الآلي الهجين؛ التجارة العالمية

مقبول: 15 ديسمبر 2023
نُشر: 02 يناير 2024
DOI: 10.32996/jcsts.2024.6.1.4

في المشهد المتطور باستمرار للتجارة العالمية، تلعب الشركات الكبرى دورًا محوريًا في تشكيل ديناميات السوق وتوقعات المستهلكين. تتناول هذه الدراسة عمليات كيان مؤسسي بارز يعمل كمتاجر رئيسية مشهورة بوجودها القوي عالميًا ومحفظتها المتنوعة من المنتجات. في صميم استراتيجيتها توجد نهج تسعير مميز يقلل بشكل استراتيجي من أسعار البقالة في الأسواق التي تعمل فيها. بالإضافة إلى مجال التجزئة، تمتد قوة الشركة السوقية لتشمل خدمات تكميلية، مما يعزز مكانتها كقوة ديناميكية في السوق العالمية. في قلب هذه التحقيق توجد مجموعة بيانات شاملة مستمدة من عمليات هذا العملاق في التجزئة. وتعتبر هذه المجموعة من البيانات حجر الزاوية لتطوير وتقييم نموذج هجين متقدم، يهدف إلى تحليل بيانات المبيعات في الوقت الحقيقي وتحقيق تحسين كبير في

دقة التنبؤ. من خلال الاستفادة من الثروة المعلوماتية المحتواة في هذه المجموعة من البيانات، تستكشف الدراسة العلاقة المعقدة بين استراتيجيات الشركة في السوق، وتنويع المنتجات، وموقعها الديناميكي في السوق العالمية.

لقد اكتسبت تقنيات تعلم الآلة (ML) انتشارًا واسعًا عبر مجالات متنوعة، حيث تقدم حلولًا للتحديات التي تطرحها مجموعات البيانات الكبيرة والمعقدة. تستخدم هذه التقنيات خوارزميات معقدة للعثور على أنماط ذات صلة في مجموعات بيانات كبيرة ومتنوعة – وهي مهمة ستكون شبه مستحيلة على محلل بشري إنجازها. الهدف الرئيسي من تعلم الآلة هو الاستدلال الاستقرائي، وهو عملية إنشاء نماذج عامة من بيانات تجريبية معينة. لقد أدت العملية المستمرة لإنشاء خوارزميات جديدة وزيادة توفر البيانات بتكاليف حسابية أقل إلى دفع التقدم في هذا المجال.

عند دمجها مع التحليل التنبؤي، تعمل تقنيات التعلم الآلي على تحسين تفاعل العملاء وتسمح بتوقعات طلب أكثر دقة مقارنة بالتقنيات التقليدية. تؤدي سلاسل التجزئة أداءً أفضل بشكل عام عند استخدام تقنيات التعلم الآلي للتعامل مع العلاقات المعقدة بين عدة عناصر سببية، خاصة أنماط الطلب غير الخطية. على الرغم من أن النماذج التنبؤية الشائعة لتوقع الطلب تشمل المتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA) والمتوسط المتحرك التكاملي الذاتي الانحدار مع المتغيرات الخارجية (ARIMAX)، إلا أن خوارزميات التعلم الآلي (ML) المطورة حديثًا مثل الشبكات العصبية الاصطناعية (ANN) وآلات الدعم الناقل (SVM) وأشجار الانحدار قد تفوقت على التقنيات التقليدية. الأهداف الرئيسية لهذه الدراسة هي (1) التحقيق في نماذج التعلم الآلي المستخدمة في التنبؤ و(2) مقارنة بعض نماذج التعلم الآلي والهجينة لتوقع المبيعات في شركة تجزئة مقرها الولايات المتحدة.

تجري هذه الدراسة مقارنة شاملة بين نماذج التعلم الآلي المختلفة لتوقع الطلب في قطاع التجزئة، بما في ذلك الغابة العشوائية (RF)، والشبكة العصبية الاصطناعية (ANN)، وتعزيز التدرج (GB)، وتعزيز التكيف (AdaBoost)، وتعزيز التدرج المتطرف (XGBoost). يتم تقييم أداء هذه النماذج مقارنةً بنموذج هجين مقترح يجمع بين RF وXGBoost والانحدار الخطي (LR). يتم أخذ مقاييس أداء متنوعة مثل متوسط الخطأ التربيعي (MSE)، ودرجة R2، ومتوسط الخطأ المطلق (MAE) في الاعتبار لضمان تقييم دقيق. يتم استكشاف مزايا وقيود المنهجيات، بالإضافة إلى السبل المحتملة لتحسين الأداء في المستقبل. تشكل بيانات المبيعات التاريخية لشركة تجزئة متعددة الجنسيات بارزة مقرها الولايات المتحدة الأساس لتحليل التوقعات، مع الأخذ في الاعتبار متاجر متنوعة عبر الولايات المتحدة تلبي مجموعة واسعة من احتياجات المستهلكين.

تُبرز التفاعلات المعقدة لديناميات السوق واستراتيجيات التسعير والتنافسية العالمية أهمية فهم وتحسين منهجيات التنبؤ لهذه الشركات الكبرى في مجال التجزئة. مع تحول تفضيلات المستهلكين واستمرار تطور قوى السوق، تصبح القدرة على التنبؤ بدقة والاستجابة للطلب عاملاً حاسماً في ضمان النمو المستدام واتخاذ القرارات الاستراتيجية. لذلك، تسعى هذه الدراسة إلى فك تعقيدات عمليات هذا البائع الكبير، مسلطةً الضوء على كيفية مساهمة استراتيجيات التسعير المميزة وتنوع العروض المنتجات في نجاحه. من خلال عدسة نموذج هجين متطور، تهدف الأبحاث إلى تحليل بيانات المبيعات التاريخية وتقديم رؤى قيمة يمكن أن تشكل المسار المستقبلي لهذا العملاق في مجال التجزئة في المشهد المتغير باستمرار للتجارة العالمية.

في دراستهم الأخيرة، يبرز نامبورو وآخرون (2022) الأهمية الحاسمة لاستراتيجيات التسعير الفعالة، لا سيما في المشهد الديناميكي الذي تفاقم بسبب الزيادة في التسوق عبر الإنترنت خلال جائحة كوفيد-19. من خلال إجراء مراجعة أدبية شاملة، تتناول الورقة البحثية الأبحاث الموجودة حول استراتيجيات التسعير وتحليل السوق، مع التأكيد على دور نماذج التعلم الآلي في التسعير الديناميكي المخصص وتوقع اتجاهات السوق. تهدف الدراسة إلى تقديم حلول تسعير قابلة للتوسع، ومساعدة تجار التجزئة في اتخاذ قرارات سريعة، وتقديم استراتيجيات تسعير قابلة للتكرار. تشمل المنهجية معالجة دقيقة للبيانات، وهندسة الميزات، وتحليل البيانات الاستكشافية، وإنشاء ميزات جديدة لتعزيز أداء نماذج التعلم الآلي. إن إدخال تقنيات التعلم الجماعي، مثل XGBoost وLightGBM وCatBoost، يمهد الطريق لخوارزمية X-NGBoost المبتكرة – نهج هجين يدمج XGBoost مع تعزيز التدرج الطبيعي، مما يظهر سرعة ودقة متفوقتين. تقارن الورقة بدقة الخوارزميات الموجودة بناءً على معايير مختلفة، وتخلص إلى أن X-NGBoost يتفوق على نظرائه، وهو ما يتضح في انخفاض خطأ الجذر التربيعي المتوسط (RMSE). يتم تسليط الضوء على أهمية المنهجية المقترحة لتجار التجزئة على نطاق صغير في الخاتمة، مما يقترح عملًا مستقبليًا يتضمن توسيع تقنيات التعلم الجماعي لتوقع حلول التسعير عبر منصات التجارة الإلكترونية المتعددة. بدأ غوبتا وآخرون (2014) مشروعًا شاملاً لتطوير إطار عمل ومنهجيات فعالة، باستخدام خوارزميات تعلم آلي قوية لتحسين اتخاذ القرارات من قبل العملاء بشأن المشتريات ذات الأسعار المناسبة على منصات التجارة الإلكترونية. مع التركيز على شركات التجارة الإلكترونية التي تركز على المخزون، تظهر الدراسة قابلية التكيف للتطبيق في الأسواق الإلكترونية دون مخزونات فعلية. من خلال الاستفادة من النماذج الإحصائية ونماذج التعلم الآلي، تهدف الأبحاث إلى توقع قرارات الشراء من خلال استراتيجيات التسعير التكيفية أو الديناميكية. تشكل مصادر البيانات المتنوعة، التي تشمل سمات الزيارة، وخصائص الزوار، وتاريخ الشراء، وبيانات الويب، وفهم السياق، أساس هذا الإطار. على عكس المشترين الأفراد، تؤكد الدراسة على شرائح العملاء لتعزيز دقة توقعات الشراء، مندمجةً في حل متكامل يجمع بين التنقيب عن الويب، وتقنيات البيانات الضخمة، وخوارزميات التعلم الآلي لمعالجة تعقيدات تحسين قرارات التسعير في التجارة الإلكترونية.

تمت مقارنة كفاءة عدة تقنيات تعلم الآلة، مثل XGBoost، والغابة العشوائية (RF)، والشبكة العصبية الاصطناعية (ANN)، وتعزيز التدرج، وAdaBoost، وإطار هجين فريد (RF-XGBoost-LR) بشكل شامل في الدراسة. تم استخدام مقاييس مهمة مثل متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ التربيعي (MSE)، ومعامل التحديد (R2) في تقييمات الأداء. ومن الجدير بالذكر أن ANN هو مثال على استراتيجية التعلم العميق، في حين أن XGBoost وRF وتعزيز التدرج وAdaBoost هي تقنيات تجميع تعتمد على أشجار القرار. أكدت الدراسة على العقد الثلاثة التي تشكل شجرة القرار (DT): الجذر، والعقد الداخلية، وعقد الأوراق. تتنقل خوارزميات شجرة القرار، الموجهة بمبادئ بسيطة، من عقدة الجذر عبر العقد الداخلية، لتصل في النهاية إلى الأوراق. تم تنفيذ العمل باستخدام بايثون، مع تسهيل معالجة البيانات بواسطة إصدارات Pandas وNumPy. تم استخدام XGBoost وScikit-learn في تدريب النموذج.

تقدم الدراسة نموذجًا هجينًا، RF-XGBoost-LR، وتقارن أدائه مع أداء النماذج الفردية. هناك تمييز أساسي بين منهجيات التجميع (Bagging) والتعزيز (Boosting). يهدف التجميع إلى تقليل تباين التنبؤ من خلال إنشاء بيانات تدريب إضافية من خلال أخذ عينات عشوائية متكررة من مجموعة البيانات، مما ينتج عنه مجموعات فرعية متعددة. من ناحية أخرى، يقوم التعزيز بتعديل وزن الملاحظات بناءً على دقة تصنيفها في التكرارات السابقة. على عكس اختيار العينات الموحد في التجميع لمجموعات بيانات التدريب، يستخدم التعزيز نهج أخذ عينات غير موحد. العينات ذات الأوزان الأعلى، التي تشير غالبًا إلى أخطاء في التصنيف، لديها احتمال أكبر للاختيار. وبالتالي، تميل خوارزميات التعزيز إلى التركيز على العينات التي واجهت النماذج السابقة صعوبة في تصنيفها بدقة.

تعمل تقنية الغابة العشوائية (RF) كطريقة تجميعية تجمع نتائج العديد من أشجار الانحدار لتوليد توقع متماسك. في قلب RF يكمن مفهوم الباجينغ، وهي طريقة يتم من خلالها سحب عينة عشوائية من بيانات التدريب لبناء شجرة انحدار فردية. تُعرف هذه العينة الفرعية باسم عينة البوتستراب، ويتم اختيارها مع الاستبدال، مما يتيح إمكانية إعادة اختيار أي نقطة بيانات تم اختيارها سابقًا. تتضمن عملية إنشاء عينة بوتستراب الاختيار العشوائي لعدد N من نقاط البيانات من مجموعة البيانات، وبعد ذلك، يتم استبدال هذه النقاط المختارة في مجموعة البيانات. تسمح هذه المنهجية بتنوع في عملية التدريب وتعزز من قوة نموذج الغابة العشوائية بشكل عام من خلال الاستفادة من مجموعات فرعية متنوعة من البيانات في بناء الأشجار الفردية، مما يسهم في تحقيق أداء تنبؤي أكثر موثوقية وتعميمًا.

XGBoost، اختصار لـ ‘تعزيز التدرج المتطرف’، يمثل تقدمًا محتملاً في تقنيات تعزيز التدرج، حيث يظهر تحسينات ملحوظة. يُعرف بقدرته على تعزيز الأداء ومعالجة التحديات الواقعية على نطاق واسع مع الحد الأدنى من استهلاك الموارد، يعمل XGBoost كنموذج شجرة متوازٍ، موسعًا مبادئ نموذج تعزيز التدرج. يستخدم إطاره طريقة تجميع الأشجار، التي تتكون من سلسلة من أشجار التصنيف والانحدار (CART). بينما يتضمن XGBoost ميزات مميزة، فإن بعض الجوانب، مثل توسيع تايلور من الدرجة الثانية والخوارزميات المدمجة للتطبيع، تشترك في أوجه التشابه مع أشجار القرار المعززة بالتدرج (GBDT). ومن الجدير بالذكر أن نماذج XGBoost تظهر ميزة القابلية للتوسع بكفاءة عبر سيناريوهات متنوعة، متفوقة على نماذج التنبؤ الحالية مع طلب موارد أقل. إن دمج الحوسبة المتوازية والموزعة داخل XGBoost يسرع عملية تعلم النموذج، مما يسهل الاستكشاف السريع لتنوعات النموذج.

النموذج الهجين، الذي يُشار إليه باسم RF-XGBoost-LR، يستفيد من نقاط القوة في الغابة العشوائية (RF)، التي تولد أشجار قرار متوازية للتخفيف من مشاكل الإفراط في التخصيص، مما يؤدي إلى تحسين الدقة من خلال تقليل التباين. في RF، يتم إنشاء أشجار قرار متميزة لكل نسخة من بيانات التدريب الأصلية، مما يساهم في تحسين التعميم. على الرغم من الشعبية الواسعة للغابة العشوائية، إلا أنها تواجه قيودًا مفاهيمية وعملية. يظهر آلية التعلم التكيفية في الغابة العشوائية نقاط ضعف جوهرية في تقليل أخطاء التدريب، حيث يتم تعلم كل شجرة بشكل مستقل، ولا يتم استغلال الرؤى التآزرية من الأشجار الأخرى بشكل كامل أثناء التدريب. وبالتالي، يمكن أن تؤدي هذه الاستقلالية بين الأشجار إلى تراجع أداء النموذج. من ناحية أخرى، يستخدم XGBoost نهجًا تسلسليًا لدمج عدة متعلمين ضعفاء بشكل تكراري، مما يؤدي إلى تحسين مستمر في أداء النموذج الكلي.

تعمل تقنية XGBoost كطريقة تعزيز، حيث تستفيد من المعالجة المتوازية من خلال تنفيذ النموذج عبر عدة نوى من وحدة المعالجة المركزية. ومع ذلك، تواجه مشكلة معروفة وهي الإفراط في التخصيص، وهي قضية شائعة في منهجيات التعزيز، بما في ذلك الأشجار الانحدارية المضافة المتعددة (MARTs). تتفاقم هذه المشكلة عندما تكون هناك عدد قليل من الأشجار المتاحة في بداية التكرار، مما يتسبب في أن يكون لجميع الأشجار تأثير كبير على النموذج. عندما يتم الإفراط في تخصيص نموذج باستخدام بيانات التدريب، يصبح أقل قابلية للتعميم ويؤدي أداءً غير موثوق به عند استخدامه مع قياسات جديدة. تعتبر التقديرات ذات التباين العالي والانحياز المنخفض علامات شائعة على الإفراط في التخصيص، مما يقدم تعقيدًا وقد يحسن أداء النموذج على بيانات التدريب ولكنه يعيق التنبؤات الدقيقة في السيناريوهات اللاحقة. عندما يتم تطبيق بيانات جديدة من السكان الأساسيين على نتائج التنبؤ، يؤدي الإفراط في التخصيص إلى تمثيل متفائل بشكل مفرط للتنبؤات.

تشير النماذج الهجينة إلى دمج نموذجين أو أكثر من نماذج التعلم الآلي أو الحوسبة اللينة الفردية، بهدف تحقيق زيادة في المرونة والقدرة مقارنةً بنموذج واحد. عادةً ما تتضمن هذه النماذج الهجينة جوانب التنبؤ والتحسين لتعزيز الدقة. يتم دفع تطوير النماذج الهجينة بشكل أساسي بواسطة هدفين رئيسيين: أولاً، لتقليل المخاطر المرتبطة بالتنبؤات غير الدقيقة التي قد ينتجها توقع واحد تحت ظروف معينة، وثانيًا، لتعزيز الأداء العام بما يتجاوز ما يمكن تحقيقه بواسطة النماذج الفردية.

تم تصميم تطوير النموذج الهجين بشكل معقد للاستفادة من نقاط القوة الكامنة ومعالجة نقاط الضعف الموجودة في النماذج الفردية قيد الدراسة. في نطاق هذه الدراسة، يتم تقديم نموذج مبتكر للهندسة الآلية (ML) الهجينة، يجمع بين مُنَظِّم الغابات العشوائية – وهو تقنية تجميع فعالة – ومُنَظِّم XGBoost – وهو تقنية تعزيز فعالة.

الهدف الأساسي من صياغة النموذج الهجين هو معالجة القيود الجوهرية التي لوحظت في كل من نماذج الغابة العشوائية (RF) وXGBoost. على وجه التحديد، يتم استخدام مكون الغابة العشوائية في النموذج الهجين بشكل استراتيجي لمكافحة تحدي الإفراط في التكيف المرتبط بـ XGBoost. من خلال تقليل تباين النموذج بمهارة دون إدخال زيادة متزامنة في تحيز النموذج، يقدم نموذج الغابة العشوائية حلاً دقيقًا. تشير هذه المقاربة إلى أنه بينما قد تظهر مشكلة الإفراط في التكيف في توقع شجرة انحدار فردية، يمكن التخفيف منها بفعالية عند النظر في التوقع الإجمالي المستمد من عدة أشجار انحدار.

على الرغم من المزايا الملحوظة، قد يظهر نموذج الغابة العشوائية بعض القصور من حيث تقليل خطأ التدريب الناتج عن التدريب المستقل لعدة أشجار انحدار. ومع ذلك، يقوم النموذج الهجين بدمج XGBoost بشكل استراتيجي للتغلب على هذه القيود. يوفر XGBoost، من خلال تدريبه المتسلسل لأشجار القرار، آلية تكاملية لتعزيز الأداء العام للنموذج الهجين. تضمن هذه المنهجية في التدريب المتسلسل أن النموذج الهجين لا يستفيد فقط من القوة الجماعية لكل من الغابة العشوائية وXGBoost، بل يتعامل أيضًا مع التعقيدات المرتبطة بالتدريب المستقل، مما يقدم حلاً شاملاً وقويًا للتحديات التي تطرحها النماذج الفردية.

المنظمة التجارية هي بائع تجزئة لمنتجات المستهلكين تعمل على مستوى عالمي، تركز على الإشراف على مجموعة متنوعة من المواقع خارج الولايات المتحدة، مثل المراكز الكبرى، والسوبرماركت، والهايبرماركت، وأندية التخزين، ومتاجر الدفع الفوري. يقع مقرها الرئيسي في بينتونفيل، أركنساس، وقد تأسست الشركة في عام 1945 ونمت لتصبح واحدة من أكبر بائعي التجزئة على مستوى العالم، محققة نموًا في الإيرادات عامًا بعد عام. مع عمليات في أكثر من 25 دولة، تُعتبر قوة عالمية تعمل في متاجر البقالة، والسوبرماركت، والهايبرماركت، ومتاجر الأقسام، ومتاجر الخصم مع تركيز فريد على توفير السلع بأقل تكلفة ممكنة.

تشمل مجموعة المنتجات الواسعة التي تقدمها هذه العملاق التجاري كل شيء من المجوهرات ولوازم الأطفال إلى لوازم المكاتب والإلكترونيات والكتب والأفلام والموسيقى، بالإضافة إلى الأثاث وحتى الأدوية. تظهر الإحصائيات أن الشركة يمكنها خفض أسعار البقالة بشكل كبير؛ في الأسواق التي تؤسس فيها وجودًا، عادة ما تنخفض الأسعار بـ من خلال هذه الاستراتيجية التسعيرية، لا يثبت العمل نفسه كمنافس قوي فحسب، بل يؤكد أيضًا التزامه بتقديم حلول ميسورة التكلفة للعملاء.

بالإضافة إلى ذلك، من خلال تقديم المنتجات باستمرار بأسعار منخفضة، تحافظ الشركة على ميزة تنافسية على الموردين والمنافسين من خلال استغلال قوتها السوقية القوية. نظرًا لتنوع الشركة في الخدمات المساعدة مثل الوقود، وبطاقات الهدايا، والخدمات المصرفية، وأوامر المال، والبطاقات المدفوعة مسبقًا، والتحويلات المالية، فإن لديها ميزة استراتيجية تتجاوز قطاع التجزئة. لا يزال هذا العملاق في مجال التجزئة قوة ديناميكية في السوق العالمية، يؤثر على اتجاهات الصناعة ويحدد توقعات المستهلكين من خلال الابتكار المستمر وتكييف نموذج أعماله.

استخدمت هذه الدراسة بيانات من بائع تجزئة معروف بتلبية مجموعة واسعة من احتياجات المستهلكين مع مجموعة متنوعة من المنتجات. تتضمن مجموعة البيانات معلومات عن المبيعات لـ 45 متجرًا و99 قسمًا من مناطق مختلفة في الولايات المتحدة على مدار ثلاث سنوات. تتكون مجموعة البيانات من سمات متعددة تقدم تفاصيل حول المتاجر الفردية، بما في ذلك الرقم، الحجم، القسم، تاريخ الأسبوع، ومتوسط درجة الحرارة. بالإضافة إلى ذلك، يتم توفير بيانات محددة حسب المنطقة، مثل مؤشر أسعار المستهلك (CPI)، أسابيع العطلات ومتوسط سعر الوقود.

في تعلم الآلة، تعتبر عملية التطبيع خطوة تمهيدية أساسية حيوية لتحسين فعالية عملية التعلم. الهدف هو تقصير منحنى التعلم من خلال تطبيع البيانات، خاصة عند العمل مع مجموعات بيانات كبيرة. تعتبر تقنية تطبيع الحد الأدنى والحد الأقصى تقنية تستخدم تحويلًا خطيًا لتغيير مجموعة البيانات الأصلية إلى فترة محددة. هذه
الفائدة الرئيسية لطريقة التطبيع هي قدرتها على الحفاظ على جميع العلاقات بين نقاط البيانات، مما يضمن الاحتفاظ بالرؤى المهمة طوال عملية التعلم.

في تقييم نماذج التنبؤ، يتم استخدام مقاييس متنوعة، بما في ذلك متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ التربيعي (MSE)، وقيمة R2، كما هو موضح في الأقسام التالية. يُعتبر متوسط الخطأ المطلق مقياسًا متوسطًا لقياس الأخطاء ضمن مجموعة من التنبؤات. كونه مقياسًا مطلقًا، فإنه يتجاهل اتجاه الأخطاء، معاملة الأخطاء الإيجابية والسلبية بنفس الوزن. حساب MAE بسيط، حيث يتضمن جمع القيم المطلقة للأخطاء للحصول على “إجمالي الخطأ”، الذي يُقسم بعد ذلك على العدد الإجمالي للملاحظات. يوفر هذا المقياس تقييمًا شاملاً لدقة التنبؤات، مع التركيز على حجم الأخطاء مع الحفاظ على اعتبار متوازن للأخطاء الفردية عبر مجموعة البيانات بأكملها. تجعل بساطة وشفافية حساب MAE أداة قيمة في تقييم الأداء التنبؤي لنماذج التنبؤ، مما يسلط الضوء على الدقة العامة للتنبؤات دون أن تتأثر باتجاه الأخطاء.

معامل التحديد، أو درجة R2، هو مقياس يعبر عن مقدار التباين في المتغير التابع الذي يمكن تفسيره بواسطة نموذج معين. عند تقييم تشتت نقاط البيانات المحيطة بخط الانحدار الملائم، يكون هذا المقياس حاسمًا. عند تطبيقه على مجموعات بيانات قابلة للمقارنة، تشير قيم R2 العالية إلى وجود اختلافات قليلة بين البيانات المتوقعة والبيانات الفعلية. على مقياس من 0 إلى 1، تقيس درجة R2 العلاقة بين البيانات المتوقعة والبيانات الفعلية. على سبيل المثال، تعني قيمة R2 البالغة 0.8 أن التغير في المتغير المستقل قيد الدراسة يمكن أن يفسر من التباين في المتغير التابع. توفر هذه المقياس معلومات مفيدة حول فعالية النموذج من خلال تقديم فهم قائم على النسبة المئوية لمدى قدرته على التقاط التباين في البيانات الملاحظة.

يستخدم R2 بشكل أساسي لتقييم جودة الملاءمة التي يوفرها نموذج معين للقيم المرصودة. علاوة على ذلك، من الضروري فهم الأخطاء، وقد تم تحقيق ذلك من خلال استخدام مقاييس مثل متوسط الخطأ المطلق (MAE) ومتوسط الخطأ التربيعي (MSE). من خلال إعطاء أهمية أكبر للأخطاء الكبيرة الناتجة عن تربيع القيم، يخدم متوسط الخطأ التربيعي غرض إعطاء الأولوية للقيم الشاذة. ومع ذلك، عند تقييم التوقعات بنفس وحدة السلسلة الأصلية، يتم استخدام متوسط الخطأ المطلق لتوفير معلومات حول متوسط الخطأ المتوقع من التوقع. تقارن الدراسة نماذج مختلفة باستخدام معايير الأداء (MSE، MAE، R2) التي تم ذكرها سابقًا. يتم عرض النتائج في الجدول 1. تسهل هذه الطريقة تقييم النماذج بشكل شامل بناءً على مدى ملاءمتها للقيم المرصودة وحجم الأخطاء.

تم استخدام مقاييس أداء متنوعة لتقييم ومقارنة فعالية كل نموذج. مع درجة R2 تبلغ 0.9651، ومتوسط الخطأ المطلق (MAE) يبلغ 0.0025، ومتوسط مربع الخطأ (MSE) يبلغ 4.8932e-04، تفوقت طريقة التنبؤ الموصى بها على الطرق المرجعية الأخرى بشكل عام عند النظر في ثلاثة مقاييس.

تم استخدام عمق أقصى يبلغ 28 و175 مُقدّرًا لتحديد المعلمات لنموذج RF. تم اختيار عمق أقصى يبلغ 25 و125 مُقدّرًا لنموذج تعزيز التدرج. كان المُقدّر الأساسي في نموذج AdaBoost شجرة قرار بعمق 25. كان لدى الشبكة العصبية الاصطناعية (ANN) خمس طبقات في هيكلها، مع 10 و12 و24 و12 و10 خلايا عصبية في كل طبقة. تم تعيين دالة تنشيط كل طبقة إلى “relu”، وتم تطبيق مُحسّن “adam”. تم التدريب على مدى 500 دورة مع حجم دفعة يبلغ 256. تم اختيار 150 مُقدّرًا بعمق أقصى يبلغ 25 لنموذج XGBoost. تم دمج RF وXGBoost في نموذج RF-XGBoost-LR، حيث كانت التنبؤات من هذه النماذج تُستخدم كمدخلات لنموذج الانحدار اللوجستي (LR).

إيجاد معلمات التكوين المثلى هو تحدٍ في مرحلة تحسين المعلمات الفائقة لنماذج التعلم الآلي. وبالتالي، فإن استخدام قيم عشوائية تقع ضمن النطاق المناسب لمعلمات الخوارزمية يمكن أن يؤدي إلى نتائج تحسين أفضل.

تم إدخال مخرجات نماذج RF و XGBoost في نموذج LR، الذي تم اختياره لسهولة استخدامه في إنتاج التنبؤات النهائية. لتقليل احتمال الإفراط في التكيف في النموذج الهجين، لم يتم اختيار نموذج أكثر تعقيدًا مثل تعزيز التدرج للطبقة النهائية. من خلال معالجة عيوب نماذج RF و XGBoost، ساعد النموذج الهجين في إنشاء حل متماسك وموثوق.

النموذج الهجين المقترح لديه القدرة على تعزيز الدراسات المتعلقة بديناميات سلسلة التوريد ويمكن أن يساهم في توسيع البحث في توقع الطلب. الأداء القوي الذي يظهره هذا الإطار يوسع من قابليته للتطبيق، مما يوفر فوائد لتجار التجزئة، وتجار الجملة، ومختلف الصناعات. ومع ذلك، فإن التخصيص الموجه نحو مجالات محددة أمر حاسم، مما يتطلب معرفة كافية بالمجال لتطبيقات متنوعة عبر الصناعات. قد تمتلك القطاعات المختلفة خصائص فريدة للمنتجات التي، عند دمجها في إطار التوقعات، يمكن أن تعزز بشكل كبير من أدائه، مما يستدعي استكشافها كمسار بحث محتمل.

تظهر استنتاجات الدراسة أنه، بالمقارنة مع نماذج التعلم الآلي المستقلة، فإن النموذج الهجين الموصى به يحسن بشكل كبير من دقة التنبؤ. من خلال الجهود المشتركة لكل من الغابة العشوائية وXGBoost، يعالج النموذج بنجاح مشكلات مثل الإفراط في التخصيص وأخطاء التدريب في تحليل الانحدار الخطي، مما يؤدي إلى قيم تنبؤ قريبة من الأرقام الفعلية للمبيعات. لذلك، يمكن أن يساعد التنبؤ الأفضل صانعي القرار في الصناعة في استراتيجيات التسويق، ودوران المخزون، وتخطيط السعة، وتقليل تكاليف سلسلة التوريد، ورضا العملاء. بشكل عام، يمكن زيادة دقة التنبؤ. من خلال تقليل تأثير السوط وتشجيع إدارة المخزون الفعالة، يمكن أن يحسن دقة نهج التنبؤ بالطلب أداء سلسلة التوريد.

من أجل تحليل بيانات المبيعات في الوقت الفعلي، تقدم هذه الدراسة نموذجًا هجينًا جديدًا للتعلم الآلي يجمع بين XGBoost، وغابة عشوائية، والانحدار اللوجستي. يتم تدريب بيانات مبيعات شركة تجزئة تحتوي على مجموعة متنوعة من السمات لتقديم نموذج أكثر تعقيدًا بدقة أعلى. يتم اقتراح استراتيجية هجينة لمعالجة أوجه القصور في نماذج الغابة العشوائية وXGBoost. يتم أولاً تطبيع مجموعة البيانات، ثم يتم تدريبها واختبارها بشكل منفصل في نماذج الغابة العشوائية وXGBoost. بعد ذلك، يتم دمج التوقعات التي تم إجراؤها بواسطة كل من هذه النماذج لإنشاء مجموعة بيانات جديدة، والتي تُستخدم كمدخلات لنموذج الانحدار اللوجستي لإنتاج توقعاته النهائية.

من خلال تقليل التباين وتعزيز القوة ضد القيم الشاذة، وُجد أن دمج نماذج XGBoost وRF يحسن دقة مجموعة البيانات. وهذا يؤدي إلى قدرة تنبؤية أفضل وأقل عرضة للإفراط في التكيف. تم استخدام ثلاثة مقاييس في الدراسة: درجات R2، ومتوسط الخطأ التربيعي (MSE)، ومتوسط الخطأ المطلق (MAE). تظهر النتائج أن النموذج الهجين المقترح RF-XGBoost-LR يتفوق على RF وANN وgradient boosting وAdaBoost وXGBoost (MAE ، MSE ، ودرجة R2 مع معامل تحديد R² قدره يبدو أن النموذج يأخذ في الاعتبار كمية كبيرة من البيانات والمتغيرات المضمنة.

تُظهر الكيان المؤسسي، الذي يعمل كأحد كبار تجار التجزئة، وجودًا عالميًا قويًا ومحفظة منتجات متنوعة، مع التركيز على استراتيجية تسعير مميزة أدت إلى خفض أسعار البقالة في الأسواق التي تعمل فيها. من خلال استغلال قوتها السوقية، وسعت الشركة عروضها لتشمل خدمات إضافية، مما عزز مكانتها كقوة ديناميكية في السوق العالمية. كانت مجموعة البيانات من هذا العملاق في مجال التجزئة هي الأساس للنموذج الهجين المقترح، مما ساهم في التحليل الفوري لبيانات المبيعات وزيادة دقة التنبؤ.

النموذج الهجين، RF-XGBoost-LR، لم يتغلب فقط على القيود الموجودة في النماذج الفردية، بل أظهر أيضًا أداءً متفوقًا عبر عدة مقاييس أداء. إن نتائج الدراسة لها تداعيات واسعة على الدراسات المتعلقة بسلسلة التوريد، حيث تقدم أداة توقع قوية يمكن تطبيقها عبر الصناعات. تساعد دقة النموذج الهجين صانعي القرار في صياغة استراتيجيات تسويقية أفضل، وتحسين دوران المخزون، والتخطيط للطاقة الإنتاجية بشكل فعال، وتقليل تكاليف سلسلة التوريد، وتعزيز رضا العملاء بشكل عام.

بينما توفر الدراسة رؤى قيمة، من الضروري الاعتراف بالحاجة إلى تخصيص محدد للمجال لتطبيقات متنوعة. إن قابلية التكيف والدقة في النموذج الهجين تبرز إمكانيته للتطبيق الواسع، لكن الفهم الدقيق للفروق الخاصة بالصناعة لا يزال أمرًا حيويًا. يمكن أن تستكشف الجهود البحثية المستقبلية دمج الخصائص الفريدة للمنتجات من قطاعات مختلفة لتعزيز أداء النموذج الهجين بشكل أكبر. في جوهره، يمثل النموذج الهجين المقترح تقدمًا واعدًا في مجال توقع الطلب، مع إمكانية إحداث ثورة في ديناميات سلسلة التوريد وعمليات اتخاذ القرار عبر مختلف الصناعات.

التمويل: لم تتلقَ هذه الدراسة أي تمويل خارجي.
تعارض المصالح: يعلن المؤلفون عدم وجود أي تعارض في المصالح.
ملاحظة الناشر: جميع الآراء المعبر عنها في هذه المقالة هي آراء المؤلفين فقط ولا تمثل بالضرورة آراء المنظمات التابعة لهم، أو آراء الناشر، أو المحررين، أو المراجعين.

[1] Ahmed, A. H., Ahmad, S., Sayed, M. A., Ayon, E. H., Mia, T., & Koli, T. (2023). Predicting the Possibility of Student Admission into Graduate Admission by Regression Model: A Statistical Analysis. Journal of Mathematics and Statistics Studies, 4(4), 97-105.
[2] Abu S., Tayaba, M., Islam, M. T., Eyasin U P., Tuhin M., Eftekhar H A., Nur N & Bishnu P G. (2023). Parkinson’s Disease Detection through Vocal Biomarkers and Advanced Machine Learning Algorithms. Journal of Computer Science and Technology Studies, 5(4), 142-149. https://doi.org/10.32996/jcsts.2023.5.4.14
[3] Gupta, R., & Pathak, C. (2014). A machine learning framework for predicting purchase by online customers based on dynamic pricing. Procedia Computer Science, 36, 599-605.
[4] Haque, M. S., Amin, M. S., Ahmad, S., Sayed, M. A., Raihan A and Hossain, M. A. (2023). Predicting Kidney Failure using an Ensemble Machine Learning Model: A Comparative Study, 2023 10th International Conference on Electrical Engineering, Computer Science, and Informatics (EECSI), Palembang, Indonesia. 31-37, doi: 10.1109/EECSI59885.2023.10295641.
[5] Ho, W. K., Tang, B. S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48-70.
[6] Khan, R. H., Miah, J., Arafat, S. M., Syeed, M. M., & Ca, D. M. (2023). Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks. arXiv preprint arXiv:2310.17729.
[7] Khan R. H and Miah, J. (2022). Performance Evaluation of a new one-time password (OTP) scheme using stochastic petri net (SPN), IEEE World AI IoT Congress (AlloT), Seattle, WA, USA. 407-412, doi: 10.1109/AlloT54504.2022.9817203.
[8] Khan, R. H., Miah, J., Rahman M and Tayaba, M. (2023). A Comparative Study of Machine Learning Algorithms for Detecting Breast Cancer, 2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA. 647-652, doi: 10.1109/CCWC57344.2023.10099106.
[9] Khan, R. H., Miah, J., Rahat, M. A. R., Ahmed, A. H., Shahriyar M. A and Lipu, E. R. (2023). A Comparative Analysis of Machine Learning Approaches for Chronic Kidney Disease Detection, 2023 8th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Malang City, Indonesia, 2023, pp. 1-6, doi: 10.1109/ICEEIE59078.2023.10334765.
[10] Khan, R. H., Miah, J., Nipun, S. A. A., Islam, M., Amin M. S and Taluckder, M. S. (2023). Enhancing Lung Cancer Diagnosis with Machine Learning Methods and Systematic Review Synthesis, 8th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Malang City, Indonesia. 1-5, doi: 10.1109/ICEEIE59078.2023.10334739.
[11] Li, X., Xu, M., & Yang, D. (2021). Cause-related product pricing with regular product reference. Asia-Pacific Journal of Operational Research, 38(04), 2150002.
[12] Modak, C., Shahriyar, M. A., Taluckder, M. S., Haque M. S and Sayed, M. A. (2023). A Study of Lung Cancer Prediction Using Machine Learning Algorithms, 3rd International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), Yogyakarta, Indonesia, 2023. 213-217, doi: 10.1109/ICE3IS59323.2023.10335237.
[13] Miah, J., & Khan, R. H. (2019, November). Service Development of Smart Home Automation System: A Formal Method Approach. In Proceedings of the 2019 2nd International Conference on Computational Intelligence and Intelligent Systems (161-167).
[14] Miah, J., Ca, D. M., Sayed, M. A., Lipu, E. R., Mahmud, F., & Arafat, S. M. Y. (2023). Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction. arXiv preprint, 2311.00517.
[15] Mridha, M. M., Hossain, M. S., Chowdhury, M. S., Al-Imran, M. & Debnath, D. (2023). Factors influencing consumers’ attitude towards online shopping in Rangpur City. International Multidisciplinary Research Journal 16-26. [Available from: https://doi.org/10.25081/imrj.2023.v13.8324]
[16] Miah, J., Khan, R. H., Ahmed S and Mahmud, M. I. (2023). A comparative study of Detecting Covid 19 by Using Chest X-ray Images- A Deep Learning Approach, 2023 IEEE World AI IoT Congress (AlloT), Seattle, WA, USA, 2023, pp. 0311-0316, doi: 10.1109/AlloT58121.2023.10174382.
[17] Miah, J., Cao, D. M., Sayed, M. A., & Haque, M. S. (2023). Generative Al Model for Artistic Style Transfer Using Convolutional Neural Networks. arXiv preprint arXiv:2310.18237.
[18] Miah, J., Haque, M. S., Cao, D. M., & Sayed, M. A. (2023). Enhancing Traffic Density Detection and Synthesis through Topological Attributes and Generative Methods. Journal of Computer Science and Technology Studies, 5(4), 69-77. https://doi.org/10.32996/jcsts.2023.5.4.8
[19] Namburu A, Selvaraj Varsha M. (2022). Product pricing solutions using hybrid machine learning algorithm. Innov Syst Softw Eng. 2022 Jul 25:1-12. Doi: 10.1007/s11334-022-00465-3. Epub ahead of print. PMID: 35910813; PMCID: PMC9309595.
[20] Peiseler, F., Rasch, A., & Shekhar, S. (2022). Imperfect information, algorithmic price discrimination, and collusion. The Scandinavian Journal of Economics, 124(2), 516-549.
[21] Syeed, M. M., Khan, R. H., & Miah, J. (n.d). Agile Fitness of Software Companies in Bangladesh: An Empirical Investigation.
[22] Sarkar, M., Ayon, E. H., Mia, M. T., Ray, R. K., Chowdhury, M. S., Ghosh, B. P., Al-Imran, M., Islam, M. T., Tayaba, M., & Puja, A. R. (2023). Optimizing E-Commerce Profits: A Comprehensive Machine Learning Framework for Dynamic Pricing and Predicting Online Purchases. Journal of Computer Science and Technology Studies, 5(4), 186-193. https://doi.org/10.32996/jcsts.2023.5.4.19

Corresponding Author: Eftekhar Hossain Ayon, E-mail: ayon001@gannon.edu

Revolutionizing Retail; Hybrid Machine Learning Approach; Global Commerce

ACCEPTED: 15 December 2023
PUBLISHED: 02 January 2024
DOI: 10.32996/jcsts.2024.6.1.4

In the ever-evolving landscape of global commerce, major retailers play a pivotal role in shaping market dynamics and consumer expectations. This study delves into the operations of a prominent corporate entity functioning as a major retailer renowned for its robust global presence and diverse product portfolio. Central to its strategy is a distinctive pricing approach that strategically reduces grocery prices in markets where it operates. Beyond the retail realm, the company’s market power extends to include ancillary services, further solidifying its standing as a dynamic force in the global market. At the heart of this investigation lies a comprehensive dataset derived from the operations of this retail giant. This dataset serves as the cornerstone for the development and evaluation of a cutting-edge hybrid model, aiming for real-time analysis of sales data and a substantial enhancement in

forecasting accuracy. By leveraging the wealth of information encapsulated in this dataset, the study explores the intricate relationship between the company’s market strategies, product diversification, and its dynamic position in the global marketplace.

Machine learning (ML) techniques have gained widespread adoption across diverse domains, offering solutions to challenges posed by large and intricate datasets. These techniques use complex algorithms to find relevant patterns in large and varied datasets—a task that would be nearly impossible for a human analyst to accomplish. The main goal of machine learning is inductive inference, which is the process of creating general models from particular empirical data. The constant creation of new algorithms and the increase in data availability at lower computational costs have driven advancements in this field.

When combined with predictive analysis, machine learning improves customer interaction and allows for more accurate demand projections than with conventional techniques. Retail chains perform better overall when ML techniques are used to handle complex correlations between multiple causal elements, especially nonlinear relational demand patterns. Although popular predictive models for demand forecasting include auto-regressive integrated moving average (ARIMA) and auto-regressive integrated moving average with exogenous variables (ARIMAX), newly developed machine learning (ML) algorithms like artificial neural networks (ANN), support vector machines (SVM), and regression trees have outperformed more conventional techniques. This study’s main goals are to (1) investigate the machine learning models used in forecasting and (2) compare certain machine learning and hybrid models for sales forecasting in a US-based retail company.

This study conducts a comprehensive comparison of various ML models for retail demand forecasting, including random forest (RF), artificial neural network (ANN), gradient boosting (GB), adaptive boosting (AdaBoost), and extreme gradient boosting (XGBoost). The performance of these models is benchmarked against a proposed hybrid model that combines RF, XGBoost, and linear regression (LR). Diverse performance metrics such as mean squared error (MSE), R2 score, and mean absolute error (MAE) are considered to ensure an accurate evaluation. The methodologies’ advantages and limitations are explored, along with potential avenues for future performance enhancements. The historical sales data of a prominent US-based multinational retail company form the basis for the forecasting analysis, considering various stores across the USA that cater to a wide range of consumer needs.

The intricate interplay of market dynamics, pricing strategies, and global competitiveness underscores the significance of understanding and optimizing forecasting methodologies for such retail giants. As consumer preferences shift and market forces continue to evolve, the ability to accurately predict and respond to demand becomes a critical factor in ensuring sustainable growth and strategic decision-making. This study, therefore, seeks to unravel the complexities of this major retailer’s operations, shedding light on how its distinct pricing strategy and diversified product offerings contribute to its success. Through the lens of a sophisticated hybrid model, the research aims to not only analyze historical sales data but also to provide valuable insights that could shape the future trajectory of this retail giant in the ever-changing landscape of global commerce.

In their recent study, Namburu et al. (2022) underscore the critical importance of effective pricing strategies, particularly in the dynamic landscape intensified by the surge in online shopping during the COVID-19 pandemic. Conducting an extensive literature review, the paper delves into existing research on pricing strategies and market analysis, emphasizing the role of machine learning models in personalized dynamic pricing and market trend prediction. The study aims to provide scalable pricing solutions, aid retailers in swift decision-making, and offer repeatable pricing strategies. The methodology involves meticulous data preprocessing, feature engineering, exploratory data analysis, and the creation of novel features to enhance the performance of machine learning models. The introduction of ensemble learning techniques, such as XGBoost, LightGBM, and CatBoost, sets the stage for the innovative X-NGBoost algorithm-a hybrid approach integrating XGBoost with natural gradient boosting, demonstrating superior speed and accuracy. The paper thoroughly compares existing algorithms based on various criteria, concluding that X-NGBoost outperforms its counterparts, which is evident in the lower root-mean-square error (RMSE). The significance of the proposed methodology for small-scale retailers is highlighted in the conclusion, suggesting future work involving the extension of ensemble techniques to predict pricing solutions across multiple e-commerce platforms. Gupta et al. (2014) embarked on a comprehensive project to develop a framework and effective methodologies, utilizing robust machine learning algorithms to optimize customer decision-making regarding well-priced purchases on e-commerce platforms. Focusing on inventory-centric e-commerce companies, the study demonstrates adaptability for application in online marketplaces without physical inventories. Leveraging statistical and machine learning models, the research aims to forecast purchase decisions through adaptive or dynamic pricing strategies. Various data sources, encompassing visit attributes, visitor characteristics, purchase history, web data, and context understanding, form the foundation of this framework. In contrast to individual buyers, the study emphasizes customer segments to enhance the accuracy of purchase predictions, integrating web mining, big data technologies, and machine learning algorithms into a cohesive solution landscape to address the complexities of optimizing pricing decisions in e-commerce.

The efficiency of several machine learning techniques, such as XGBoost, Random Forest (RF), Artificial Neural Network (ANN), gradient boosting, AdaBoost, and a unique hybrid framework (RF-XGBoost-LR), was thoroughly compared in the study. Important metrics like mean absolute error (MAE), mean squared error (MSE), and the coefficient of determination (R2) score were used in performance evaluations. Notably, ANN is an example of a deep-learning strategy, whereas XGBoost, RF, gradient boosting, and AdaBoost are ensemble techniques based on decision trees. The study emphasized the three nodes that make up a decision tree (DT): the root, internal, and leaf nodes. Decision tree algorithms, guided by simple principles, traverse from the root node through internal nodes, culminating in the leaves. The implementation was carried out using Python, with data handling facilitated by Pandas and NumPy versions. Model training utilized XGBoost and Scikit-learn.

The study introduces a hybrid model, RF-XGBoost-LR, and compares its performance with that of individual models. A fundamental distinction exists between bagging and boosting methodologies. Bagging aims to reduce prediction variance by creating additional training data through repeated random sampling from the dataset, generating multiple subsets. On the other hand, boosting adjusts the weight of observations based on their classification accuracy in previous iterations. In contrast to bagging’s uniform sample selection for training datasets, boosting employs a non-uniform sampling approach. Samples with higher weights, often indicating misclassifications, have a greater likelihood of being chosen. Consequently, boosting algorithms tend to focus on samples that previous models have struggled to classify accurately.

Random Forest (RF) functions as an ensemble technique that amalgamates the results from a multitude of regression trees to generate a cohesive prediction. At the heart of RF lies the concept of bagging, a method where a random sample is drawn from the training data to construct an individual regression tree. This subset, referred to as a bootstrap sample, is selected with replacement, introducing the possibility of reselecting any data point that had been previously chosen. The process of creating a bootstrap sample involves the random selection of N data points from the dataset, and subsequently, these selected points are replaced in the dataset. This methodology allows for variability in the training process and enhances the robustness of the overall Random Forest model by leveraging diverse subsets of data in the construction of individual trees, ultimately contributing to a more reliable and generalized predictive performance.

XGBoost, short for ‘extreme gradient boosting,’ represents a potential advancement in gradient boosting techniques, demonstrating notable improvements. Renowned for its ability to enhance performance and address real-world challenges at scale with minimal resource utilization, XGBoost operates as a parallel tree model, extending the principles of the gradient boosting model. Its framework employs the tree ensemble method, consisting of a sequence of Classification and Regression Trees (CART). While XGBoost encompasses distinctive features, certain aspects, such as the second-order Taylor expansion and integrated normalization algorithms, share similarities with gradient-boosted decision Trees (GBDT). Notably, XGBoost models exhibit the advantage of efficient scalability across diverse scenarios, outperforming existing prediction models while demanding fewer resources. The incorporation of parallel and distributed computation within XGBoost accelerates the model learning process, facilitating rapid exploration of model variations.

The hybrid model, denoted as RF-XGBoost-LR, leverages the strengths of Random Forest (RF), which generates parallel decision trees to mitigate overfitting issues, leading to enhanced accuracy through variance reduction. In RF, distinct decision trees are created for each copy of the original training data, contributing to improved generalization. Despite the widespread popularity of random forest, it grapples with both conceptual and practical limitations. The adaptive learning mechanism of random forest exhibits inherent weaknesses in minimizing training errors, as each tree is learned independently, and the synergistic insights from other trees are not fully harnessed during training. Consequently, this independence among trees can result in diminished model performance. On the other hand, XGBoost employs a sequential approach to combine multiple weak learners iteratively, leading to continuous improvement in overall model performance.

XGBoost, functioning as a boosting technique, capitalizes on parallel processing by executing the model across multiple CPU cores. However, it grapples with the well-known issue of overfitting, a common concern in boosting methodologies, including MARTs, which stand for multiple additive regression trees. This problem intensifies when there are few trees available at the beginning of the iteration, causing all the trees to have a major influence on the model. When a model is overfitted with training data, it becomes less generalizable and performs unreliablely when used with fresh measurements. High variance and low bias estimators are common signs of overfitting, which introduces complexity and may improve the model’s performance on training data but impairs accurate point predictions in subsequent scenarios. When new data from the underlying population is applied to prediction results, overfitting results in an overly optimistic representation of the predictions.

Hybrid models refer to amalgamations of two or more individual machine learning or soft computing models, aiming to attain increased versatility and capability compared to a singular model. These hybrid models typically incorporate both prediction and optimization aspects to enhance accuracy. The development of hybrid models is primarily driven by two key objectives: firstly, to mitigate the risk associated with inaccurate predictions that a single forecast might yield under certain conditions, and secondly, to enhance the overall performance beyond that achievable by individual models.

The development of the hybrid model is intricately designed to capitalize on the inherent strengths and simultaneously address the weaknesses present in the individual models under consideration. Within the scope of this study, an innovative hybrid machine learning (ML) model is introduced, integrating both the random forest regressor-a proficient bagging technique-and the XGBoost regressor-an effective boosting technique.

The primary objective behind formulating the hybrid model is to tackle the inherent limitations observed in both the Random Forest (RF) and XGBoost models. Specifically, the random forest component of the hybrid model is strategically employed to combat the overfitting challenge associated with XGBoost. By adeptly reducing model variance without introducing a concurrent increase in model bias, the random forest model presents a nuanced solution. This approach implies that while the overfitting issue may manifest in the prediction of an individual regression tree, it can be effectively mitigated when considering the aggregate prediction derived from multiple regression trees.

Despite the notable advantages, the random forest model may exhibit certain shortcomings in terms of reducing training error stemming from the autonomous training of multiple regression trees. However, the hybrid model strategically integrates XGBoost to overcome this limitation. XGBoost, through its sequential training of decision trees, provides a complementary mechanism to enhance the overall performance of the hybrid model. This sequential training methodology ensures that the hybrid model not only leverages the collective strengths of both random forest and XGBoost but also navigates the intricacies associated with independent training, offering a comprehensive and robust solution to the challenges posed by individual models.

The corporate organization is a consumer products retailer that operates globally, concentrating on supervising a variety of locations outside of the United States, such as supercenters, supermarkets, hypermarkets, warehouse clubs, and cash and carries. With its headquarters located in Bentonville, Arkansas, the company was founded in 1945 and has grown to become one of the biggest retailers globally, achieving year-over-year revenue growth. With operations in more than 25 countries, it is a global powerhouse that operates grocery stores, supermarkets, hypermarkets, department stores, and discount stores with a unique focus on providing goods at the lowest possible cost.

The broad range of products offered by this retail behemoth includes everything from jewelry and baby supplies to office supplies, electronics, books, movies, and music, as well as furniture and even pharmaceuticals. Statistics show that the company can significantly lower grocery prices; in markets where it establishes a presence, prices typically decrease by . With this pricing strategy, the business not only establishes itself as a strong rival but also emphasizes its dedication to offering customers affordable solutions.

Additionally, by consistently providing products at the lowest prices, the company maintains a competitive edge over suppliers and rivals by leveraging its strong market power. Due to the company’s diversification into ancillary services like fuel, gift cards, banking services, money orders, prepaid cards, and wire transfers, it has a strategic advantage that goes beyond the retail sector. This retail behemoth continues to be a dynamic force in the global market, influencing industry trends and setting consumer expectations through constant innovation and adaptation of its business model.

This study has made use of data from a retailer that is well-known for satisfying a wide range of consumer needs with a wide selection of products. The dataset includes sales information for 45 stores and 99 departments from various regions in the United States over a three-year period. The dataset comprises multiple attributes that offer specifics about individual stores, including number, size, department, week date, and average temperature. Additionally, region-specific data is provided, such as the Consumer Price Index (CPI), holiday weeks and average fuel price.

In machine learning, normalization is an essential preprocessing step that is critical to improving the effectiveness of the learning process. The goal is to shorten the learning curve by normalizing the data, particularly when working with large datasets. Min-Max normalization is a technique that uses a linear transformation to change the original dataset into a specified interval. This
normalization method’s primary benefit is its capacity to maintain all correlations among data points, guaranteeing that significant insights are retained throughout the learning process.

In the evaluation of forecasting models, various metrics are employed, including Mean Absolute Error (MAE), Mean Squared Error (MSE), and the R2 value, as elaborated in the subsequent sections. Mean Absolute Error serves as an average metric to quantify the errors within a set of predictions. Being an absolute measure, it disregards the direction of errors, treating both positive and negative errors with equal weight. The computation of MAE is straightforward, involving the summation of the absolute values of errors to obtain the ‘total error,’ which is then divided by the total number of observations. This metric provides a comprehensive assessment of the accuracy of predictions, focusing on the magnitude of errors while maintaining a balanced consideration of individual errors across the entire dataset. The simplicity and transparency of the MAE calculation make it a valuable tool in evaluating the predictive performance of forecasting models, shedding light on the overall precision of the predictions without being influenced by the directionality of errors.

The coefficient of determination, or R2 Score, is a metric that expresses how much of the variance in a dependent variable can be explained by a particular model. When evaluating the dispersion of data points surrounding a fitted regression line, this metric is crucial. When applied to comparable datasets, high R2 values indicate little differences between the expected and actual data. On a scale from 0 to 1, the R2 score measures the correlation between the predicted and actual data. For example, an R2 value of 0.8 means that the variation in the independent variable under investigation can account for of the variability in the dependent variable. This metric gives useful information about a model’s effectiveness by providing a percentage-based understanding of how well it captures the variability in the observed data.

R2 is primarily used to evaluate the goodness of fit that a given model provides for the observed values. Furthermore, it is imperative to comprehend errors, and this was accomplished by employing metrics like Mean Absolute Error (MAE) and Mean Squared Error (MSE). By giving large errors resulting from value squaring more significance, the Mean Squared Error serves the purpose of prioritizing outliers. However, when evaluating forecasts in the same unit as the original series, Mean Absolute Error is used to provide information about the average expected error from the forecast. The study compares different models using the performance parameters (MSE, MAE, R2) that were previously mentioned. The findings are displayed in Table 1. This method makes it easier to evaluate the models thoroughly based on how well they fit the observed values and the size of the errors.

Various performance metrics were used to evaluate and contrast each model’s efficacy. With an R2 score of 0.9651, an MAE of 0.0025, and an MSE of 4.8932e-04, the recommended forecasting approach outperformed the other benchmark methods overall when three metrics were considered.

The maximum depth of 28 and 175 estimators were used to set the parameters for the RF model. A maximum depth of 25 and 125 estimators were selected for the gradient boosting model. The base estimator in the AdaBoost model was a decision tree with a depth of 25 . The artificial neural network (ANN) had five layers in its architecture, with 10, 12, 24, 12, and 10 neurons in each layer. Each layer’s activation function was set to’relu,’ and the ‘adam’ optimizer was applied. Training took place in 500 epochs with a 256-batch size. 150 estimators with a maximum depth of 25 were chosen for the XGBoost model. RF and XGBoost were combined in the RF-XGBoost-LR model, with the predictions from these models serving as input to a logistic regression (LR) model.

Finding the optimal configuration parameters is a challenge in the hyperparameter optimization stage of machine learning models. As such, using random values that fall into the appropriate range of algorithm parameters can result in better optimization results.

The RF and XGBoost models’ outputs were fed into an LR model, which was selected for its ease of use in producing final predictions. To reduce the possibility of overfitting in the hybrid model, a more sophisticated model-such as gradient boostingwas not chosen for the final layer. By addressing the drawbacks of the RF and XGBoost models, the hybrid model helped to create a cohesive and reliable solution.

The proposed hybrid model has the potential to enhance studies related to supply chain dynamics and can contribute to the extension of research in demand forecasting. The robust performance exhibited by this framework broadens its applicability, offering benefits to retailers, wholesalers, and various industries. However, customization tailored to specific domains is crucial, necessitating adequate domain knowledge for diverse applications across industries. Different sectors may possess unique product properties that, when integrated into the forecasting framework, can significantly enhance its performance, thereby warranting exploration as a potential research avenue.

The study’s conclusions show that, in comparison to standalone machine learning models, the recommended hybrid model greatly improves forecasting accuracy. Through the combined efforts of random forest and XGBoost, the model successfully addresses problems such as overfitting and training errors in linear regression analysis, resulting in forecast values that are closely aligned with actual sales figures. Therefore, better forecasting can help industry decision-makers with marketing strategies, inventory turnover, capacity planning, supply chain cost reduction, and customer satisfaction. Overall, forecasting accuracy can be increased. Through the reduction of the bullwhip effect and the encouragement of efficient inventory management, the accuracy of the demand forecasting approach can improve the performance of the supply chain.

In order to analyze sales data in real-time, this study presents a novel hybrid machine learning (ML) model that combines XGBoost, Random Forest (RF), and Logistic Regression (LR). A retail company’s sales data with a variety of attributes is trained to present a more sophisticated model with higher accuracy. A hybrid strategy is suggested to address the shortcomings in the RF and XGBoost models. The dataset is first normalized, and then it is separately trained and tested in the RF and XGBoost models. After that, the predictions made by each of these models are combined to create a new dataset, which is used as input by the LR model to produce its final predictions.

By reducing variance and strengthening robustness to outliers, the combination of XGBoost and RF models is found to improve dataset accuracy. This leads to better predictive ability and less vulnerability to overfitting. Three metrics are used in the study: R2 scores, Mean Squared Error (MSE), and Mean Absolute Error (MAE). The results show that RF-XGBoost-LR, the proposed hybrid model, performs better than RF, ANN, gradient boosting, AdaBoost, and XGBoost (MAE , MSE , and R2 score ). With an R-squared of , the model appears to account for a sizable amount of the included data and variables.

The corporate entity, functioning as a major retailer, showcased a robust global presence and a diversified product portfolio, emphasizing a distinctive pricing strategy that reduced grocery prices in markets where it operated. Leveraging its market power, the company extended its offerings to include ancillary services, solidifying its position as a dynamic force in the global market. The dataset from this retail giant served as the foundation for the proposed hybrid model, contributing to its real-time analysis of sales data and enhancing forecasting accuracy.

The hybrid model, RF-XGBoost-LR, not only overcame the limitations inherent in individual models but also demonstrated superior performance across multiple performance metrics. The study’s findings have broad implications for supply chain-related studies, offering a robust forecasting tool that can be applied across industries. The precision of the hybrid model aids decision-makers in formulating better marketing strategies, optimizing inventory turnover, planning capacity effectively, reducing supply chain costs, and enhancing overall customer satisfaction.

While the study provides valuable insights, it is essential to acknowledge the need for domain-specific customization for diverse applications. The hybrid model’s adaptability and accuracy underscore its potential for widespread implementation, but a nuanced understanding of industry-specific nuances remains crucial. Future research endeavors could explore the integration of unique product properties from different sectors to further enhance the hybrid model’s performance. In essence, the proposed hybrid model represents a promising advancement in the field of demand forecasting, with the potential to revolutionize supply chain dynamics and decision-making processes across various industries.

Funding: This research received no external funding.
Conflicts of Interest: The authors declare no conflict of interest.
Publisher’s Note: All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers.

[1] Ahmed, A. H., Ahmad, S., Sayed, M. A., Ayon, E. H., Mia, T., & Koli, T. (2023). Predicting the Possibility of Student Admission into Graduate Admission by Regression Model: A Statistical Analysis. Journal of Mathematics and Statistics Studies, 4(4), 97-105.
[2] Abu S., Tayaba, M., Islam, M. T., Eyasin U P., Tuhin M., Eftekhar H A., Nur N & Bishnu P G. (2023). Parkinson’s Disease Detection through Vocal Biomarkers and Advanced Machine Learning Algorithms. Journal of Computer Science and Technology Studies, 5(4), 142-149. https://doi.org/10.32996/jcsts.2023.5.4.14
[3] Gupta, R., & Pathak, C. (2014). A machine learning framework for predicting purchase by online customers based on dynamic pricing. Procedia Computer Science, 36, 599-605.
[4] Haque, M. S., Amin, M. S., Ahmad, S., Sayed, M. A., Raihan A and Hossain, M. A. (2023). Predicting Kidney Failure using an Ensemble Machine Learning Model: A Comparative Study, 2023 10th International Conference on Electrical Engineering, Computer Science, and Informatics (EECSI), Palembang, Indonesia. 31-37, doi: 10.1109/EECSI59885.2023.10295641.
[5] Ho, W. K., Tang, B. S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48-70.
[6] Khan, R. H., Miah, J., Arafat, S. M., Syeed, M. M., & Ca, D. M. (2023). Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks. arXiv preprint arXiv:2310.17729.
[7] Khan R. H and Miah, J. (2022). Performance Evaluation of a new one-time password (OTP) scheme using stochastic petri net (SPN), IEEE World AI IoT Congress (AlloT), Seattle, WA, USA. 407-412, doi: 10.1109/AlloT54504.2022.9817203.
[8] Khan, R. H., Miah, J., Rahman M and Tayaba, M. (2023). A Comparative Study of Machine Learning Algorithms for Detecting Breast Cancer, 2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, NV, USA. 647-652, doi: 10.1109/CCWC57344.2023.10099106.
[9] Khan, R. H., Miah, J., Rahat, M. A. R., Ahmed, A. H., Shahriyar M. A and Lipu, E. R. (2023). A Comparative Analysis of Machine Learning Approaches for Chronic Kidney Disease Detection, 2023 8th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Malang City, Indonesia, 2023, pp. 1-6, doi: 10.1109/ICEEIE59078.2023.10334765.
[10] Khan, R. H., Miah, J., Nipun, S. A. A., Islam, M., Amin M. S and Taluckder, M. S. (2023). Enhancing Lung Cancer Diagnosis with Machine Learning Methods and Systematic Review Synthesis, 8th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Malang City, Indonesia. 1-5, doi: 10.1109/ICEEIE59078.2023.10334739.
[11] Li, X., Xu, M., & Yang, D. (2021). Cause-related product pricing with regular product reference. Asia-Pacific Journal of Operational Research, 38(04), 2150002.
[12] Modak, C., Shahriyar, M. A., Taluckder, M. S., Haque M. S and Sayed, M. A. (2023). A Study of Lung Cancer Prediction Using Machine Learning Algorithms, 3rd International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), Yogyakarta, Indonesia, 2023. 213-217, doi: 10.1109/ICE3IS59323.2023.10335237.
[13] Miah, J., & Khan, R. H. (2019, November). Service Development of Smart Home Automation System: A Formal Method Approach. In Proceedings of the 2019 2nd International Conference on Computational Intelligence and Intelligent Systems (161-167).
[14] Miah, J., Ca, D. M., Sayed, M. A., Lipu, E. R., Mahmud, F., & Arafat, S. M. Y. (2023). Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction. arXiv preprint, 2311.00517.
[15] Mridha, M. M., Hossain, M. S., Chowdhury, M. S., Al-Imran, M. & Debnath, D. (2023). Factors influencing consumers’ attitude towards online shopping in Rangpur City. International Multidisciplinary Research Journal 16-26. [Available from: https://doi.org/10.25081/imrj.2023.v13.8324]
[16] Miah, J., Khan, R. H., Ahmed S and Mahmud, M. I. (2023). A comparative study of Detecting Covid 19 by Using Chest X-ray Images- A Deep Learning Approach, 2023 IEEE World AI IoT Congress (AlloT), Seattle, WA, USA, 2023, pp. 0311-0316, doi: 10.1109/AlloT58121.2023.10174382.
[17] Miah, J., Cao, D. M., Sayed, M. A., & Haque, M. S. (2023). Generative Al Model for Artistic Style Transfer Using Convolutional Neural Networks. arXiv preprint arXiv:2310.18237.
[18] Miah, J., Haque, M. S., Cao, D. M., & Sayed, M. A. (2023). Enhancing Traffic Density Detection and Synthesis through Topological Attributes and Generative Methods. Journal of Computer Science and Technology Studies, 5(4), 69-77. https://doi.org/10.32996/jcsts.2023.5.4.8
[19] Namburu A, Selvaraj Varsha M. (2022). Product pricing solutions using hybrid machine learning algorithm. Innov Syst Softw Eng. 2022 Jul 25:1-12. Doi: 10.1007/s11334-022-00465-3. Epub ahead of print. PMID: 35910813; PMCID: PMC9309595.
[20] Peiseler, F., Rasch, A., & Shekhar, S. (2022). Imperfect information, algorithmic price discrimination, and collusion. The Scandinavian Journal of Economics, 124(2), 516-549.
[21] Syeed, M. M., Khan, R. H., & Miah, J. (n.d). Agile Fitness of Software Companies in Bangladesh: An Empirical Investigation.
[22] Sarkar, M., Ayon, E. H., Mia, M. T., Ray, R. K., Chowdhury, M. S., Ghosh, B. P., Al-Imran, M., Islam, M. T., Tayaba, M., & Puja, A. R. (2023). Optimizing E-Commerce Profits: A Comprehensive Machine Learning Framework for Dynamic Pricing and Predicting Online Purchases. Journal of Computer Science and Technology Studies, 5(4), 186-193. https://doi.org/10.32996/jcsts.2023.5.4.19