Einzelhandelsnachfrageprognose mit neuronalen Netzen und makroökonomischen Variablen

Angesichts des wachsenden Wettbewerbs zwischen Unternehmen im globalisierten Unternehmensumfeld und der Komplexität der Ansätze zur Nachfrageprognose gibt es eine umfangreiche Literatur zur Einzelhandelsnachfrageprognose, die verschiedene Ansätze nutzt. Die aktuelle Literatur basiert jedoch weitgehend auf Mikrodaten als Eingaben und ignoriert dabei den Einfluss makroökonomischer Bedingungen auf die Nachfrage der Haushalte nach Einzelhandelsprodukten. In dieser Studie incorporate ich externe makroökonomische Variablen wie den Verbraucherpreisindex (VPI), den Konsumklimaindex (ICS) und die Arbeitslosenquote zusammen mit Zeitreihendaten zu den Verkaufszahlen von Einzelhandelsprodukten, um ein Long Short-Term Memory (LSTM) Modell zur Vorhersage der zukünftigen Nachfrage zu trainieren. Die Einbeziehung makroökonomischer Bedingungen in das prognostische Modell bietet eine größere Erklärungsstärke. Wie erwartet übertrifft das entwickelte Modell, das diese externen makroökonomischen Informationen einschließt, das Modell, das ohne diese makroökonomischen Informationen entwickelt wurde, und zeigt damit ein starkes Potenzial für die Anwendung in der Industrie mit verbesserter Prognosefähigkeit.