Sales Forecasting Using the Meta-learning Method (Case study: Aluminum Sales in Iran’s Mercantile Exchange Market)

Document Type : Original Article

Authors

1 MA Graduate of Business Management, Faculty of Social Sciences, Imam Khomeini International University, Qazvin, Iran

2 Professor, Department of Management, Faculty of Social Sciences, Imam Khomeini International University, Qazvin, Iran

Abstract

Background: Market sales forecasting has a special role in the analysis of marketing opportunities. Along the same line, sales forecasting plays an important role in the planning of different departments of an organization
Objective: Accordingly, the main goal of this research is to use one of the new tools in the field of machine learning (the meta-learning method) to predict the number of sales with a case study. Aluminum is sold in the Iran Mercantile Exchange.
Methods: The current research is included in the category of applied research and the research data were collected using secondary data sources. The data available in the weekly reports published on the official website of the Iran Mercantile Exchange Organization has been used for analysis. The steps of conducting the research are based on the principles of prediction and using the meta-learning approach.
Results: The findings of the current research show how to use the meta-learning method to predict the amount of sales and estimate the demand for aluminum in the Iranian Mercantile Exchange. The model is presented using the meta-learning method based on 4 basic prediction methods of the neural network, ARIMA, regression, and exponential smoothing in line with time series data related to aluminum sales in the Iran Mercantile Exchange (including 344 time periods from 2015 to 2022).
Conclusions: Examining the accuracy of the results of using the meta-learning method to predict sales has shown the superiority of this method compared to four other selected prediction methods. In this research, three stages of validation were conducted to verify the results obtained, and in the results of all three validation samples, the superiority of the accuracy of the meta-learning method was confirmed. The capability of this method to solve the prediction problem is one of the capabilities of using artificial intelligence tools in solving different management problems. As a result, the meta-learning method has been introduced to marketing managers and researchers as a powerful tool in the field of sales forecasting.
 
Introduction
Market sales forecasting plays a significant role in marketing opportunity analysis. Considering the important role of sales forecasting in the planning of different parts of organizations, the main objective of this research is to utilize a novel machine-learning technique (the meta-learning method) to forecast sales amounts with the case study of aluminum sales in Iran’s mercantile market. In addition, the accuracy of this novel method of forecasting is studied in this research.
 
Methodology
In this applied research, data collection was done using a secondary data source. The data in weekly reports published in the official Iran mercantile market is used for the analysis. The steps of the research are done based on the forecasting principles and using the meta-learning approach which is based on using meta-knowledge. In this study, the meta-knowledge is achieved by implementing basic methods of forecasting and deriving the results of them. The meta-learning method’s main stage is determining the best approach to use the meta-knowledge in order to achieve the best forecasting model. Due to the consideration of different forecasting results in implementing the meta-learning method, the accuracy superiority of the meta-learning method is expected. The accuracy evaluation is done using practical measurements, and eventually, the results are validated.
 
Findings
This study showed the use of the meta-learning method to forecast sales, and specifically, to forecast the demand for aluminum in Iran's mercantile market. The approach of the meta-knowledge usage is specifically determined based on the results gathered by analyzing aluminum sales in Iran's mercantile market. It was shown that the meta-learning method is a flexible method that can be used for forecasting sales. In addition, the results of implementing the meta-learning method showed the method’s significant superiority over four other practical forecasting methods. In this research, to validate the results, three steps of validation were conducted. The validation steps were done considering different amounts of input data and different forecasting horizons. Though the accuracy of the forecasting method varied in different validation phases, all three validation results have confirmed the meta-learning method’s superiority in comparison with four other practical forecasting methods.
 
Conclusions
In this research, the meta-learning method is used to forecast sales, and the accuracy of this method is compared with four other practical forecasting methods. The results of this comparison have shown the capability of this method to solve the forecasting problem. In conclusion, this research has shown the capability of artificial intelligence utilities to solve different management problems, and this could lead to finding new superior tools for managers.
 
 

Keywords

Main Subjects


مقدمه

یک عامل حیاتی برای بقای کسب‌و‌کارها کسب سود از بازار مدنظر سازمان است. بر این اساس، سازمان‌ها محصولاتی را تولید می‌کنند که بتوانند آن را بفروشند و محصولاتی را می‌فروشند که بتوانند مشتریان را به خرید آن ترغیب کنند. نظام فکری بازاریابی در توجه به مشتریان و نیاز آنها شکل گرفته است. یکی از هدف‌های اصلی بازاریابی دستیابی به فروش کارا و سودآور با برآورد و کشف مشتریان بالقوه و نیازهای آنها و سپس جهت‌دهی به کالاها و یا خدمات سازمان برای تطبیق بیشتر با این نیازهاست (Foster & Davis, 1984).

ارزیابی فرصت‌های بازاریابی یکی از وظایف اصلی بخش بازاریابی است. گام نخست اقدام‌های بخش بازاریابی برای ارزیابی فرصت‌های بازاریابی تخمین تقاضا در کل بازار است. پس از تخمین تقاضای بازار با در نظر داشتن اقدام‌های مربوط به برنامۀ بازاریابی سازمان، ظرفیت‌های بازار تعیین می‌شود. ظرفیت بازار یکی از اطلاعات اساسی برای تعیین راهبرد بازاریابی در بازار مدنظر است (Kotler & Keller, 2016). به بیانی دیگر، تحلیل فرصت‌های بازاریابی قلب فعالیت‌های بازاریابی است و انجام‌دادن این تحلیل به پیش‌بینی‌های دقیق فروش نیازمند است (Dibb & Simkin, 2012).

از اطلاعات پیش‌بینی فروش در سازمان‌ها علاوه‌بر بخش بازاریابی سازمان به‌عنوان یک ورودی مهم در بسیاری از فرآیندهای برنامه‌ریزی و تصمیم‌گیری در بخش‌های دیگر سازمان استفاده و در بخش مدیریت عملیات نیز از اطلاعات مربوط به پیش‌بینی فروش محصولات به‌صورت مداوم برای برنامه‌ریزی تولید، نظارت بر انبار، مدیریت زنجیرۀ تأمین، محاسبۀ نیروی کار لازم و برنامه‌ریزی ظرفیت استفاده می‌شود. این تصمیمات به‌طور مستقیم به بخش‌هایی از سازمان نظیر بخش منابع انسانی و یا مدیریت مالی نیز مربوط می‌شود (Montgomery et al., 2015).

مطالعۀ موردی در پژوهش حاضر فروش آلومینیوم در بورس کالای ایران است. با‌توجه به برخورداری ایران از منابع غنی انرژی، صنعت آلومینیوم از صنایع راهبردی کشور است. دسترسی محدود به منابع بوکسیت (مادۀ اولیۀ اصلی برای تولید آلومینیوم خالص است)، وابستگی صنعت تولید آلومینیوم به تحولات اقتصاد جهانی و چرخه‌ای‌بودن بازار آلومینیوم مانند بازار بسیاری از مواد اولیۀ دیگر، منجر به تغییرات عمیق در تقاضا و قیمت این محصول شده است که این موضوع عدم قطعیت و بی‌ثباتی را برای بازار آلومینیوم به همراه داشته است. علاوه بر این، احداث کارخانه‌های تولیدی فلزات نیازمند هزینۀ اولیۀ فراوان است که دورۀ بازگشت سرمایۀ طولانی دارد. بنا بر موارد ذکر‌شده، تحلیل راهبردی روندهای موجود در صنعت آلومینیوم اهمیت فراوانی دارد (Dudin et al., 2017).

ابزارهای موجود در‌حوزۀ هوش مصنوعی و یادگیری ماشین در دامنۀ وسیعی از علوم به کار می‌روند. یکی از امکاناتی که در این ابزارها ارائه می‌‌شود، استفاده از روش‌های یادگیری ماشین برای انجام‌دادن عملیات پیش‌بینی است. مدل‌های پیش‌بینی بسیاری از‌جمله مدل رگرسیون (Papalexopoulos Hesterberg &, 1990)، هموارسازی نمایی و مدل باکس و جنکینز (Park et al., 1991) یا سیستم‌های فازی (Mastorocostas et al., 2001) در‌زمینه‌های مختلف پیش‌بینی از‌جمله برای پیش‌بینی میزان فروش ارائه شده است؛ اما در پژوهش‌های بسیاری (مانند Lachtermacher & Fuller, 1995) اثبات شده است که روش‌های داده‌کاوی و یادگیری نسبت به روش‌های دیگر دقت بیشتری دارد. روش یادگیری متا از روش‌های نوین یادگیری است که در پژوهش‌هایی که از این روش برای پیش‌بینی استفاده شده به‌عنوان روشی توانمند و کارا برای امر پیش‌بینی در علوم مختلف معرفی شده است.

یکی از ویژگی‌های روش یادگیری متا برای پیش‌بینی در‌حوزه‌های مختلف، کشف ویژگی‌های موجود در داده‌های اولیۀ استفاده‌شده است. در پژوهش‌هایی که از روش یادگیری متا برای پیش‌بینی استفاده شده است، این ویژگی روش یادگیری متا منجر به کسب نتایج پیش‌بینی دقیق‌تر و کارایی بیشتر روش پیش‌بینی در مقایسه با دیگر روش‌های پیش‌بینی‌ شده است (Ding et al., 2020; Gaudet et al., 2020; Chen et al., 2020). در پژوهش حاضر تلاش شده است که برای بهبود دقت نتایج مدل‌های پیش‌بینی میزان فروش در سازمان‌ها از روش نوین یادگیری متا ازجهت پیش‌بینی میزان فروش استفاده شود.

بر این اساس، محققان در این پژوهش درپی پاسخ به این سؤال هستند که «چگونه می‌توان از روش یادگیری متا برای پیش‌بینی میزان فروش استفاده کرد؟». در راستای دستیابی به پاسخ سؤال پژوهش روش یادگیری متا بر بستر داده‌های مربوط به فروش آلومینیوم در بورس کالای ایران پیاده‌سازی و سپس برای ارزیابی مدل پیاده‌سازی‌شده، دقت پیش‌بینی با استفاده از روش یادگیری متا با روش‌های دیگر پیش‌بینی مقایسه می‌شود.

در‌ادامه، به‌ترتیب تعریف‌ها و مبانی نظری، روش‌شناسی، یافته‌های پژوهش و در‌نهایت، نتیجه‌گیری کلی و پیشنهادها بیان می‌شود.

 

  1. مبانی نظری

در این بخش مفاهیم اصلی استفاده‌شده در پژوهش، اصول ارزیابی و انواع روش‌های پیش‌بینی بررسی می‌شود.

1-2. مفهوم پیش‌بینی

مفهوم پیش‌بینی با‌توجه به حوزۀ بررسی، در مطالعات گوناگون تعریف‌های متفاوتی دارد. در یک تعریف، پیش‌بینی به‌معنای بیان پدیده‌های ناشناخته یا غیر‌قطعی است (Freeman & Job, 1979 به نقل از1968  Zarnowitz,). در تعریفی دیگر، پیش‌بینی توصیفی از یک رویداد یا یک روند، پیش از وقوع آن است و این مفهوم به زمان آینده اشاره دارد (Tanter, 1972). اما در تعریفی کامل‌تر، پیش‌بینی به‌معنای برآورد آینده با نهایت دقت ممکن با استفاده از تمامی اطلاعات موجود اعم از داده‌های تاریخی و هرگونه دانشی از رویدادهای آینده است که ممکن است بر برآورد آینده اثر بگذارد (Hyndman & Athanasopoulos, 2018). مفهوم پیش‌بینی در کسب‌و‌کارها در بسیاری از موارد با مفهوم «هدف‌ها» و یا «برنامه‌ریزی» اشتباه گرفته می‌شود.

در طی پژوهش حاضر از کلمۀ «پیش‌بینی» (Forecast) استفاده می‌شود. (نه از «پیشگویی» (Predict)) دلیل این امر آن است که این دو مفهوم در ادبیات امروزی علوم اقتصادی تعریف‌های متفاوت، دقیق و به‌نسبت عمیق دارد. به‌طور خلاصه، پیشگویی‌پذیری به‌عنوان ویژگی یک متغیر تصادفی با یک مجموعه اطلاعات تعریف می‌شود که در آن شرطی یا غیرشرطی‌بودن متغیر نسبت به آنها اهمیت ندارد؛ در‌حالی که برای مفهوم پیش‌بینی‌پذیری این موضوع یک شرط لازم است؛ ولی ناکافی است. در پیش‌بینی‌پذیری دانستن اینکه چه اطلاعاتی اثرگذار و مرتبط است و اینکه از این اطلاعات چگونه استفاده می‌شود نیز اهمیت دارد (Mills, 2019).

2-2. انواع روش‌های پیش‌بینی

با‌توجه به هدف‌های انجام‌دادن پیش‌بینی برای آن دسته‌بندی‌های مختلفی تعریف شده است. در یک دسته‌بندی اصلی که بر‌اساس روش پیش‌بینی و میزان دسترسی به داده‌های اولیه صورت گرفته است، پیش‌بینی در آن به دو دسته کمّی و کیفی تقسیم می‌شود (Li & Ying, 2011). منظور از پیش‌بینی کیفی که به آن پیش‌بینی قضاوتی (Judgemental forecasting)  نیز گفته می‌شود، نوعی از پیش‌بینی است که در آن اساس عملیات پیش‌بینی بر‌مبنای نظر‌ها و قضاوت‌های افراد (خبرگان، مدیران و ...) است. در سوی دیگر، پیش‌بینی کمّی نوعی از پیش‌بینی است که در آن پیش‌بینی بر‌مبنای اطلاعات و داده‌های آماری صورت می‌پذیرد.

روش‌های پیش‌بینی قضاوتی ممکن است ناپایدار باشد. بر‌خلاف پیش‌بینی‌های کمّی که با اجرای روش‌‎های مبتنی بر ریاضیات قابل تکرار هستند، پیش‌بینی قضاوتی به‌شدت به شناخت انسان وابسته است؛ بنابراین با محدودیت‌های این شناخت مواجه است؛ برای مثال، پیش‌بینی قضاوتی در معرض خطاهای جانبداری (Bias) است (Chen & Wang, 2004).

پیش‌بینی کمّی شامل استفاده از روش‌های محاسباتی با استفاده از داده‌های تاریخی برای انجام‌دادن عملیات پیش‌بینی است. استفاده از روش‌های پیش‌بینی کمّی در‌مقایسه با روش‌های کیفی ترجیح داده می‌شود؛ زیرا در روش‌های کمّی محدودیت‌های موجود در پیش‌بینی‌های قضاوتی وجود ندارد. برای استفاده از روش‌های کمّی پیش‌بینی دو شرط اولیه وجود دارد:

1- اطلاعات کمّی گذشته در دسترس است؛

2- فرض تکرار‌شدن و ادامه‌یافتن برخی از جنبه‌های الگوهای گذشته در آینده منطقی باشد.

در اغلب روش‌های پیش‌بینی کمّی از یکی از داده‌های سری زمانی (Time series data) و یا داده‌های مقطعی (Cross- sectional data) استفاده می‌شود. داده‌های مقطعی به داده‌هایی گفته می‌شود که در یک زمان خاص از پدیده‌ها و نمونه‌های گوناگون جمع‌آوری می‌شود. هدف در پیش‌بینی بر‌اساس داده‌های مقطعی استفاده از اطلاعات مشاهده‌شده برای پیش‌بینی مقدار‌های پدیده‌ای است که مشاهده نشده است؛ برای مثال، پیش‌بینی قیمت یک خانه (خارج از داده‌های موجود) با استفاده از داده‌های مربوط به قیمت خانه‌ها بر‌اساس ویژگی‌های موقعیت، تعداد اتاق‌ها، سال ساخت، مساحت و ... از‌جمله پیش‌بینی‌ها با استفاده از داده‌های مقطعی است.

داده‌های سری زمانی به داده‌هایی گفته می‌شود که از یک پدیده در فواصل زمانی معین جمع‌آوری می‌شود. پیش‌بینی بر‌اساس داده‌های سری زمانی در مواردی استفاده می‌شود که پدیدۀ بررسی‌شده در‌طول زمان تغییر می‌کند. پیش‌بینی قیمت سهام و یا نمودار فروش یک محصول در سازمان‌ها نمونه‌هایی از این دست پیش‌بینی است (Hyndman & Athanasopoulos, 2018). در این پژوهش پدیدۀ بررسی‌شده میزان فروش آلومینیوم در بورس کالای ایران است. همچنین، در پژوهش حاضر با‌توجه به تعریف‌های پیشین از داده‌های سری زمانی استفاده می‌شود.

 

3-2. ارزیابی روش‌های پیش‌بینی

پیش از آنکه انواع روش‌های پیش‌بینی کمّی بررسی شود، در این بخش چگونگی عملکرد تکنیک‌های پیش‌بینی دربارۀ یک سری زمانی و یا یک کاربری معین ارزیابی می‌شود. در این بخش منظور از عملکرد روش پیش‌بینی، دقت پیش‌بینی و یا نزدیکی مقدار‌های پیش‌بینی‌شده به مقدار‌های واقعی است. اگر برای پیش‌بینی یک پدیده از چند روش مختلف استفاده می‌شود، می‌توان از ابزارهای ارزیابی و سنجش پیش‌بینی برای مقایسۀ دقت این روش‌ها استفاده کرد.

استفاده از معیار برازش مدل پیش‌بینی با داده‌های گذشتۀ موجود یک راه ساده برای ارزیابی عملکرد روش پیش‌بینی است؛ اما چنین معیاری نمی‌تواند یک معیار صحیح برای ارزیابی عملکرد باشد؛ زیرا فرآیند پیش‌بینی به هدف تخمین اطلاعات آینده صورت می‌پذیرد و همخوانی روش پیش‌بینی با داده‌های تاریخی تضمینی برای تخمین دقیق اطلاعات در آینده نیست؛ از این رو برای سنجش صحیح عملکرد روش پیش‌بینی معیارهایی به کار گرفته می‌شود که در آن از اختلاف پیش‌بینی و رخداد واقعی در آینده استفاده می‌شود.

 

4-2. انواع روش‌های پیش‌بینی کمّی

با در نظر داشتن هدف‌های پیش‌بینی و موارد استفاده‌شدۀ آن روش‌های متنوعی برای پیش‌بینی کمّی معرفی شده است. برخی از این روش‌ها بسیار ساده و در عین حال در مواردی بسیار مؤثر است. در‌ادامه، چند نمونه از روش‌های مرسوم و کاربردی پیش‌بینی کمّی معرفی خواهد شد.

 

1-4-2. روش‌ هموارسازی نمایی

روش هموارسازی نمایی در اواخر دهۀ 1950 میلادی معرفی شد. این روش پایه و زیربنای بسیاری از روش‌های موفق پیش‌بینی است. به‌طور خلاصه، در این روش مقدا‌رهای پیش‌بینی حاصل از میانگین وزن‌دار داده‌های گذشته است؛ به‌طوری که وزن این داده‌ها برای داده‌های قدیمی‌تر به‌صورت نمایی کاهش می‌یابد.

رابطۀ ریاضی کلی مدل هموارسازی نمایی درجه اول برای پیش‌بینی به شرح رابطۀ (1) است.

 

رابطۀ (1)                     

 

 

در رابطۀ (1)،  مربوط به وضعیت پدیدۀ پیش‌بینی‌شونده در زمان  است. همچنین،  به وضعیت پدیدۀ پیش‌بینی‌شونده در زمان  بر‌اساس داده‌های سری زمانی پدیده تا زمان  اشاره دارد. در این رابطه «ضریب هموارسازی» است که مقداری در بازۀ ]1,0[ دارد (Pal & Prakash, 2017). در پژوهش‌های دیگری که این موضوع عمیق‌تر بررسی شده برای روش هموارسازی نمایی مدل‌های ارتقا یافته‌تر معرفی شده است که پرداختن به روابط و مفاهیم پیچیدۀ آنها از هدف‌های این بخش نیست.

 

2-4-2. روش‌ رگرسیون ساده

روش رگرسیون ساده یکی از روش‌های پرکاربرد علمی برای تخمین رفتار یک متغیر (متغیر وابسته و یا متغیر پیش‌بینی‌شونده) بر‌اساس متغیری دیگر (متغیر مستقل یا متغیر پیش‌بینی‌کننده) است. مفهوم این روش بر‌اساس این فرض است که بین متغیر وابسته و متغیر مستقل یک رابطۀ خطی وجود دارد. عبارت «ساده» در این مدل به‌دلیل حضور تنها یک متغیر مستقل برای تعیین رفتار متغیر وابسته است.

طبق این روش در یک حالت ابتدایی رابطۀ بین متغیر پیش‌بینی‌شونده و پیش‌بینی‌کننده به شرح رابطۀ (2) تنظیم می‌شود.

رابطۀ‎ (2)         

 

 

در رابطۀ (2)  متغیر پیش‌بینی‌شونده،  متغیر پیش‌بینی‌کننده و  خطای پیش‌بینی (اختلاف مقدار پیش‌بینی‌شده و مقدار واقعی) است. در این روش پیش‌بینی باید ضرایب  و به‌ترتیبی تعیین شود که میزان خطای پیش‌بینی کمینه شود. در‌عمل، میزانی از داده‌های گذشته در‌دسترس است؛ اما هیچ‌گونه اطلاعاتی دربارۀ ضرایب  و  وجود ندارد و این ضرایب باید محاسبه شود. به این عمل «برازش یک خط از میان داده‌ها» گفته می‌شود (Hyndman & Athanasopoulos, 2012). دربارۀ روش رگرسیون ساده برای پیش‌بینی با فرض غیرخطی‌بودن ارتباط بین دو متغیر روابطی دیگر بین متغیرها حاکم می‌شود که با‌توجه به هدف‌های برازش از این روابط برای برازش استفاده می‌شود.

 

3-4-2. مدل‌های یادگیری ماشین و هوش مصنوعی

در سال‌های اخیر رویکرد به مسئلۀ پیش‌بینی در فرآیند تصمیم‌گیری دچار تغییرات عمده‌ای شده و تحت‌تأثیر توجه محققان به نقش هوش مصنوعی و یادگیری ماشین قرار گرفته است.

با‌توجه به تنوع شاخصه‌های داده‌های موجود تعیین رویکرد به مسئلۀ پیش‌بینی تنها با استفاده از یک روش غیرواقع‌گرایانه است. مدل‌هایی که عملکرد آنها تنها بر یک سری زمانی واحد است، (مدل‌های آریما و یا هموارسازی نمایی) در شرایطی به‌درستی عمل می‌کنند که داده‌های موجود از‌طرفی، الگوهای واضح و منظمی و از طرف دیگر، رفتار تغییرات در داده‌ها با مفروضات ساختاری این مدل‌ها همخوانی داشته باشد. تعداد مسائل پیش‌بینی واقعی که چنین شرایطی را داشته باشند، اندک است. همچنین، بیشتر مسائل پیش‌بینی شرایطی را دارند که تحلیل یک سری زمانی واحد و مبنا قرار‌دادن یک مدل، امکان تشخیص پویایی‌‌های موجود را در تغییرات مقدار‌های متغیر بررسی‌شده ایجاد نمی‌کنند. اگرچه در مدل‌های توسعه‌یافته (روش‌هایی مانند آریما و یا رگرسیون) امکان در نظر گرفتن سطح‌های بیشتری از داده‌ها و متغیرها امکان‌پذیر است، در این مدل‌ها چالش‌های عملی نظیر انتخاب متغیرهای صحیح و انجام‌دادن درست پیش‌پردازش (Preprocessing) داده‌ها نیز وجود دارد. با استفاده از روش‌های یادگیری ماشین، مشکلات مربوط به پیچیدگی‌های ایجاد‌شده در یک مدل جامع کاهش می‌یابد و به‌دنبال آن فرآیند پیش‌پردازش داده‌ها در درون مدل یادگیری صورت می‌پذیرد (Gilliland et al., 2021). در‌ادامۀ این بخش مفاهیم یادگیری ماشین بررسی می‌شود.

 

5-2. مفاهیم یادگیری ماشین و یادگیری متا

Arthur Samuel یکی از پیشگامان حوزۀ یادگیری ماشین است که یادگیری ماشین را یک حوزۀ مطالعاتی تعریف کرده است که در آن به کامپیوترها توانایی یادگیری بدون برنامه‌ریزیِ شفاف داده می‌شود (McClendon & Meghanathan, 2015). یک مفهوم دیگر آن است که یادگیری ماشین به کامپیوترها قابلیت یادگیری حل مسئله را با تعمیم‌دادن نمونه‌ها (داده‌های تاریخی) بدون نیاز به برنامه‌ریزی صریح پاسخ، می‌دهد (Larsen & Becker, 2021).

پیش از پرداختن به مفهوم یادگیری متا لازم است که مفهوم دانش متا (Meta-knowledge) و یا فرادانش مشخص شود. در یک عبارت کوتاه، دانش متا به حوزۀ کسب دانش دربارۀ دانش گفته می‌شود (Evans & Foster, 2011). با‌توجه به این تعریف مفهوم دانش متا در‌حوزۀ یادگیری ماشین هر دانشی است که از به‌کارگیری یک سیستم یادگیری برای حل مسائل استخراج می‌شود. با در نظر داشتن تعریف دانش متا، یادگیری متا به مطالعۀ روش‌هایی قانون‌مند گفته می‌شود که در آن از دانش متا برای ایجاد مدل‌ها و راهکارهای کارا ازجهت حل مسائل با استفاده از فرآیندهای یادگیری ماشین استفاده می‌شود (Brazdil et al., 2009). به عبارتی دیگر، در روش یادگیری متا از نتایج به‌دست‌آمده در اثر استفاده از روش‌های مختلف یادگیری برای حل یک مسئله استفاده می‌شود تا روشی کارا و دقیق برای حل مسئلۀ مدنظر حاصل شود. در روش یادگیری متا با‌توجه به ماهیت آن مبنی بر بررسی روش‌های یادگیری پایه‌ای و استخراج مدل برمبنای نتایج بررسی، عملکرد آن در‌حوزۀ دقت و میزان داده‌های اولیۀ لازم در مقایسه با دیگر روش‌های یادگیری ماشین برتری دارد.

در روش‌های یادگیری متا دو محدودیت عمدۀ موجود در روش‌های یادگیری پایه وجود ندارد (منظور از روش‌های یادگیری پایه همان روش‌های یادگیری ماشین بدون بهره‌برداری از دانش متاست). یکی از این محدودیت‌ها آن است که در روش‌های یادگیری پایه الگوهایی که کامپیوتر آموزش دیده است، تفسیر و تحلیل نمی‌شود، بلکه از این الگوها تنها برای دستیابی به خروجی‌های مدنظر استفاده می‌شود. به عبارت دیگر، آموزش موفق یک الگوریتم یادگیری بر داده‌های یکسان هیچ تجربه‌ای را برای استفاده‌های دیگر الگوریتم به جا نمی‌گذارد. محدودیت دیگر روش‌های یادگیری پایه آن است که در این روش‌ها امکان افزودن یک مجموعه‌دادۀ جدید برای افزایش دقت یادگیری سیستم وجود ندارد و برای چنین کاری باید مجموعه‌داده‌های اولیه به همراه داده‌های جدید یک مجموعه تشکیل شود و سپس مرحلۀ آموزش دوباره صورت گیرد؛ در‌حالی که این مشکل در روش یادگیری متا برطرف شده است.

6-2. موارد استفاده از یادگیری متا

در فرآیند یادگیری ماشین از یادگیری متا در‌زمینه‌های گوناگونی استفاده می‌شود. در این بخش برخی از این موارد به‌صورت خلاصه مطرح می‌شود.

 

1-6-2. انتخاب و پیشنهاد الگوریتم‌های یادگیری

یکی از مسائل موجود برای حل مسائل با استفاده از روش‌های یادگیری انتخاب مجموعه‌ای مناسب از الگوریتم‌های یادگیری برای حل یک مسئلۀ خاص است. با استفاده از یادگیری متا یک چارچوب کلی برای انجام‌دادن این کار وجود دارد. به‌طور خلاصه، در این چارچوب ابتدا با استفاده از مجموعه‌دادۀ مدنظر و دانش متای موجود یک سری الگوریتم‎های یادگیری ماشین رتبه‌بندی‌شده تعیین و در گام بعدی الگوریتم برتر از‌میان این سری الگوریتم‌های رتبه‌بندی‌شده انتخاب می‌شود. در‌واقع، در این کاربری یادگیری متا از دانش متا برای محدود‌کردن فضای گسترده‌ای که برای جست‌وجو ازجهت یافتن الگوریتم بهینه است، استفاده می‌شود.

 

2-6-2. ترکیب سیستم‌های پایه‌ای یادگیری ماشین

از دیگر کاربردهای یادگیری متا ترکیب مدل‌های یادگیری است. در این کاربری تلاش می‌شود تا با استفاده از اطلاعات به‌دست‌آمده دربارۀ مدل‌های یادگیری پایه‌ای (اطلاعاتی از‌قبیل: شاخصه‌ها و ویژگی‌های عملکردی هر مجموعه از الگوریتم‌ها)، سیستم‌های یادگیری مرکب با قابلیت تعمیم قوی‌تر نسبت به اجزای سیستم به‌صورت منفرد به دست آید. منظور از قابلیت تعمیم، توانایی سیستم در سازگاری مناسب با داده‌های جدید و به‌عبارتی، توانایی سیستم برای حل مسائل دیگر با استفاده از آموزش‌های گذشته است.

 

3-6-2. انتقال دانش متا در قلمروهای دیگر

یکی از کاربردهای مهم استفاده از یادگیری متا یافتن سازوکارهایی کارا برای انتقال دانش بین قلمروها و یا وظایف است. با این رویکرد فرآیند یادگیری تنها یک فرآیند جداگانه که برای هر مسئله‌ای از نو به کسب دانش بر‌مبنای داده‌های اولیه می‌پردازد، نیست، بلکه با حل مسائل بیشتر، سازوکار یادگیری از تجربۀ گذشته خود بهره‌مند می‌شود. روش‌ها و تکنیک‌های انتقال دانش بین وظایف در فرآیند یادگیری زمینه‌ای است که در بسیاری از پژوهش‌ها به آن توجه شده است (مانند Baxter, 2000).

 

  1. پیشینۀ پژوهش

سیفی (1397) پژوهشی با عنوان پیش‌بینی میزان فروش تلفن‌های همراه هوشمند با استفاده از الگوریتم‌های ترکیبی انجام داد. محقق در این مطالعه با استفاده از ترکیب دو روش تخصیص پنهان دیریکله (LDA) و ماشین‌بردار پشتیبانی (SVM) تجمیع‌شده محاسبات مربوط به رضایت مشتریان و در‌ادامه، پیش‌بینی میزان فروش گوشی‌های هوشمند را انجام داده است. در این پژوهش با انجام‌دادن تحلیل‌های مربوط به داده‌کاوی برای پیش‌بینی فروش با استفاده از ورودی مدنظر، میزان فروش گوشی‌های هوشمند با خطای بیشینۀ 862/7 درصد پیش‌بینی شد. در این مطالعه نشان داده شد که ترکیب مدل‌های مختلف داده‌کاوی نتایج مناسبی را دارد و به‌عبارتی، مدل‌های ترکیبی می‌توانند موجب شوند که به‌صورت مکمل یکدیگر عمل کنند.

ژائو پژوهشی با عنوان «تحلیل و پیش‌بینی فروش خودرو بر‌اساس سری زمانی در نرم‌افزار R Language» انجام داد. محقق در این مطالعه با استفاده از مدل آریما در محیط نرم‌افزاری R Language میزان فروش یک خودرو را در کشور چین پیش‌بینی کرده است. در این پژوهش داده‌های اولیۀ موجود ابتدا با استفاده از روش‌های پردازش داده بررسی شده و سپس عملیات متناسب (تفاضل‌گیری) با‌توجه به پایدار‌نبودن داده‌ها روی داده‌ها صورت پذیرفته است. پس از آماده‌سازی داده‌ها با استفاده از نرم‌افزار پارامترهای مربوط به مدل آریما برای بیشترین برازش مدل محاسبه و در‌نهایت، مقدار‌های پیش‌بینی در افق کوتاه‌مدت با استفاده از مدل استفاده‌شده حاصل شده است (Zhao, 2021).

تروی و لی پژوهشی با عنوان «اندازه‌گیری پاسخ‌های بازارهای مقیاس بزرگ و پیش‌بینی فروش تجمعی: رگرسیون برای داده‌های پراکنده و با ابعاد بالا» انجام دادند. محققان در این مطالعه میزان فروش کالاهای سوپرمارکت را با استفاده از داده‌هایی که شرایط منفی پراکندگی و ابعاد گوناگون را دارند، پیش‌بینی کردند. در نتیجۀ این پژوهش با دسته‌بندی داده‌های اولیه مدلی مبتنی بر رگرسیون برای پیش‌بینی فروش کالاهای بررسی‌شده حاصل شده است (Terui & Li, 2019).

دینگ و همکاران پژوهشی با عنوان «یک شبکۀ عصبی با چند مدل بر‌اساس یادگیری متا برای پیش‌بینی چند‌گامی ناپایداری حرارتی باتری» انجام دادند. محققان در این مطالعه یک رویکرد داده‌محور نوین را برای پیش‌بینی دقیق چند‌گامی وضعیت پایداری حرارتی باتری در‌سطح‌های سلولی معرفی کردند. نتایج این پژوهش نشان داده است که روش یادگیری متا برای انجام‌دادن پیش‌بینی با استفاده از داده‌های اولیۀ معدود توانایی بسیار زیادی داشته است. همچنین، چارچوب یادگیری متا به‌عنوان یک چارچوب کارا در این زمینه معرفی شده است (Ding et al., 2020).

با بررسی پیشینۀ پژوهش مشاهده می‌شود که از روش‌های مختلفی برای حل مسئلۀ پیش‌بینی میزان فروش در پژوهش‌ها استفاده شده است. یادگیری متا و کاربست این روش برای حل مسئلۀ پیش‌بینی با‌توجه به نوین‌بودن مفاهیم این مدل و باوجود اینکه در برخی از شاخه‌های علوم فنی و مهندسی استفاده شده است، به‌صورت نظام‌مند به این روش در‌حوزۀ مدیریت و به طور خاص، پژوهشگران در مدیریت بازاریابی برای پیش‌بینی میزان فروشبه آن توجه نکرده‌اند. با‌توجه به مزایای استفاده از این روش برای تجزیه‌و‌تحلیل داده‌ها و دستیابی به مدل پیش‌بینی در پژوهش حاضر کاربرد روش یادگیری متا برای دستیابی به مدل پیش‌بینی میزان فروش مطالعه می‌شود.

 

  1. روش‌ پژوهش

1-4. روش پژوهش و گردآوری داده‌ها

در پژوهش حاضر برای پیاده‌سازی مدل پیش‌بینی از اطلاعات فروش آلومینیوم در بورس کالای ایران استفاده شده است. به این ترتیب، جامعۀ آماری پژوهش شامل تمامی شرکت‌های تولیدکنندۀ آلومینیوم است که در بورس کالای ایران به عرضۀ آلومینیوم می‌پردازند. پیش‌بینی میزان فروش با‌توجه به اطلاعات مربوط به فروش در مقاطع زمانی گذشته جست‌جو می‌شود؛ بنابراین قلمرو زمانی شامل مقاطعی از زمان است که اطلاعاتی دربارۀ فروش محصولی خاص را (آلومینیوم) در بازاری خاص (بورس کالای ایران) به همراه دارد. با‌توجه به منابع استخراج داده‌ها این مقاطع زمانی شامل 344 مقطع زمانی به‌صورت هفتگی از 8 آبان 1394 تا 6 خرداد 1401 در‌نظر گرفته شده است.

برای دستیابی به اطلاعات فروش آلومینیوم در بورس کالای ایران راهبردهای مختلفی را می‌توان انتخاب کرد؛ برای مثال، می‌توان این اطلاعات را از شرکت‌های عرضه‌کنندۀ آلومینیوم در بازار بورس کالای ایران استخراج کرد؛ اما هدف در پژوهش حاضر تخمین میزان تقاضای آلومینیوم در کل بازار است. با‌توجه به هدف پژوهش جمع‌آوری اطلاعات با استفاده از داده‌های موجود در شرکت‌های عرضه‌کننده و نیز یکپارچه‌سازی اطلاعات حاصل‌شده، فرآیندی زمان‌بر است که ممکن است با مشکلاتی همراه شود. در این خصوص، می‌توان برای جمع‌آوری اطلاعات از ویژگی‌های مثبت بازار بورس کالای ایران بهره جست. سازمان بورس کالا نهادی ناظر بر معامله‌های صورت‌گرفته در بازار بورس کالاست. همچنین، این سازمان تضمین‌کنندۀ حسن انجام‌دادن معامله‌ها ازسوی دو طرف است. یکی از مزایای تشکیل بازار بورس کالای ایران ایجاد شفافیت در معامله‌ها و ایجاد فضایی سازمان‌یافته، قانون‌مند و قابل نظارت برای انجام‌دادن معامله‌هاست؛ از این رو سازمان بورس کالای ایران به‌صورت هفتگی گزارش‌هایی را با عنوان «گزارش هفتگی و تجمعی آمار معاملات» منتشر می‌کند که در این گزارش‌ها حجم و ارزش معامله‌های صورت‌گرفته در بخش‌های مختلف بازار بورس کالا در دسته‌بندی‌هایی مجزا ارائه شده است. سازمان بورس کالای ایران با انتشار گزارش‌های هفتگی یک منبع اطلاعات نظام‌مند و دقیق را در اختیار عموم قرار داده است. یک راهبرد دیگر برای جمع‌آوری داده‌های مربوط به فروش آلومینیوم در بورس کالای ایران استفاده از این گزارش‌هاست. در این پژوهش برای جمع‌آوری داده‌های آماری مربوط به فروش آلومینیوم در این بازار از گزارش‌های هفتگی که سازمان بورس کالای ایران منتشر‌ کرده، استفاده شده است. این داده‌ها به‌طور مرتب و به‌صورت هفتگی در پایگاه اینترنتی رسمی بورس کالای ایران[1] منتشر می‌شود که در پژوهش حاضر شیوۀ جمع‌آوری داده‌ها استفاده از داده‌های رسمی موجود در این پایگاه است. تحلیل داده‌ها گام بعدی پیاده‌سازی مدل پیش‌بینی میزان فروش است که در‌ادامه، مراحل تجزیه‌و‌تحلیل داده‌ها بررسی می‌شود.

 

2-4. مراحل تجزیه‌و‌تحلیل

برای انجام‌دادن عملیات پیش‌بینی نخستین گام تجزیه‌و‌تحلیل، انجام‌دادن تحلیل مقدماتی (اکتشافی) بر داده‌های موجود است. در این مرحله داده‌های اولیۀ در‌دسترس به‌صورت ساده و مختصر بررسی می‌شود و تلاش بر آن است تا ویژگی‌های داده‌های سری زمانی موجود (ویژگی‌هایی نظیر وجود روند (Trend) ثابت، میزان فصلی‌بودن (Seasonality)، حضور چرخۀ کسب‌و‌کار و مواردی از این دست) شناسایی شود. با‌وجود سادگی و ابتدایی‌بودن این مرحله این قسمت از مرحله‌های پیش‌بینی اهمیت ویژه‌ای دارد؛ زیرا با شناسایی ویژگی‌های داده‌های سری زمانی (هر‌چند که این شناسایی با نظر پژوهشگر و بدون استفاده از ابزارهای دقیق صورت گیرد) قضاوت دربارۀ روش‌های مناسب برای انجام‌دادن پیش‌بینی و دقت مورد انتظار از نتایج پیش‌بینی آسان می‌شود. پس از انجام‌دادن تحلیل اکتشافی روی داده‌های موجود در مرحلۀ بعد در راستای پیاده‌سازی روش یادگیری متا از تعدادی روش‌های پیش‌بینی سری زمانی برای دستیابی به دانش متا استفاده می‌شود.

نخستین روش پیاده‌سازی‌شده برای انجام‌دادن عملیات پیش‌بینی اولیه، استفاده از روش شبکۀ عصبی سری زمانی پویاست. شبکه‌های عصبی یکی از ابزارهای قدرتمند برای تشخیص رفتارهای سیستم است که کاربردهای گسترده‌ای در علوم مختلف برای برازش توابع ناشناخته، شناسایی الگو (Pattern recognition)، دسته‌بندی (Classification) ورودی‌ها به شبکۀ عصبی، خوشه‌بندی ورودی‌ها (Clustering)، پیش‌بینی سری زمانی و مواردی دیگر دارد. در پژوهش حاضر برای سادگی مدل پیش‌بینی استفاده‌شده، خروجی این مدل شبکۀ عصبی تنها بر‌اساس مقدار‌های تاریخی خود تعیین می‌شود. این نوع از تحلیل پیش‌بینی سری زمانی رایج‌ترین نوع از پیش‌بینی است و از آنجایی که نتایج تحلیل با استفاده از این روش با روش‌های دیگر مقایسه خواهد شد و روش‌های مدنظر دیگر (نظیر روش هموارسازی نمایی) تنها بر‌مبنای مقدار‌های تاریخی تعیین می‌شود، در این تحلیل نیز از این نوع ارتباط بین ورودی‌ها و خروجی‌ها استفاده خواهد شد. در اجرای روش شبکۀ عصبی سری زمانی پویا، روش پیش‌بینی با‌توجه به نتایج تحلیل اکتشافی و نیز با تعیین جزئیات و معماری شبکۀ عصبی پیاده‌سازی می‌شود که درنهایت، به نتایج اجرای این روش در پژوهش حاضر می‌توان دست یافت.

دومین روش استفاده‌شده برای انجام‌دادن عملیات پیش‌بینی اولیه روش آریماست. روش آریما که با نام روش باکس-جنکینز نیز شناخته می‌شود، یکی از متداول‌ترین روش‌های استفاده‌شده برای انجام‌دادن عملیات پیش‌بینی است. استفاده از روش آریما برای پیش‌بینی سری زمانی نیازمند آن است که داده‌های سری زمانی موجود ایستا (Stationary) باشد. به‌طور خلاصه، یکی از شرایط ایستایی یک سری داده، عدم حضور روند ثابت و چرخه با دورۀ ثابت در داده‌های مد‌نظر است. در‌صورتی که داده‌های موجود خاصیت ایستایی نداشته باشد، در روش آریما از تفاضل برای ایستا‌کردن داده‌ها استفاده می‌‌شود. همچنین، در‌صورتی که یک عمل تفاضل منجر به ایستایی داده‌ها نشود، عمل تفاضل‌گیری از نو تکرار می‌‌شود و این کار تا ایستا‌شدن داده‌ها ادامه می‌یابد. در این پژوهش با استفاده از یکی از آزمون‌های تعریف‌شده برای سنجش ایستایی داده‌های سری زمانی و نیز با طی مراحل تعیین شاخصه‌های مدل آریما این مدل پیاده‌سازی و سپس نتایج آن بررسی می‌شود.

در‌ادامه، برای پیاده‌سازی روش‌های مختلف پیش‌بینی سری زمانی ازجهت دستیابی به دانش متا به ایجاد مدلی بر‌مبنای برازش منحنی بر‌پایۀ داده‌های تاریخی پرداخته می‌شود. روش رگرسیون ساده ابزاری کارآمد برای تعیین رابطۀ بین دو متغیر است و بسیاری از روابط حاکم بر پدیده‌های مختلف علمی با استفاده از همین روش به دست آمده است. در پژوهش حاضر تلاش بر آن است که رفتار میزان فروش آلومینیوم بر‌مبنای زمان (مقاطع ثابت و منظم هفتگی) شناسایی شود. به این منظور، با‌توجه به نتایج به‌دست‌آمده در تحلیل مقدماتی، تابع مناسب برازش انتخاب و روش رگرسیون ساده اجرا می‌شود و سپس نتایج آن به دست می‌آید.

آخرین روشی که در این پژوهش برای انجام‌دادن پیش‌بینی اولیه از آن استفاده می‌شود، روش هموارسازی نمایی است. روش‌ هموارسازی نمایی در کنار روش آریما که در بخش‌های قبل به آن پرداخته شد، از‌جمله روش‌های متداول و استفاده‌شده برای پیش‌بینی سری زمانی است. روش هموارسازی نمایی در دسته‌ای از روش‌های پیش‌بینی به نام روش‌های هموارسازی (Smoothing methods) قرار می‌گیرد که اساس این روش‌ها، هموار‌کردن نویز (نوفه) موجود در داده‌ها برای دستیابی به الگوهای اصلی موجود در داده‌هاست (Shmueli & Kenneth, 2016). بنابراین روش هموارسازی نمایی به‌طور خاص دربارۀ پیش‌بینی داده‌های سری زمانی که با نویز همراه است، روشی کارآمد است (Mills, 2019). در پژوهش حاضر با پیاده‌سازی این روش از آخرین روش پایه‌ای پیش‌بینی استفاده می‌شود.

در چهار مرحلۀ اخیر از روش تجزیه‌و‌تحلیل در این پژوهش، چهار روش مختلف انجام‌دادن عملیات پیش‌بینی پیاده‌سازی می‌شود. پس از پیاده‌سازی روش‌های پایه‌ای پیش‌بینی و دستیابی به نتایج پیش‌بینی این روش‌ها و حصول دانش متا زمینۀ لازم برای اجرای روش یادگیری متا ازجهت دستیابی به مدلی دقیق‌تر ایجاد می‌شود. با‌توجه به رویکرد انتخاب‌شده در این پژوهش تلاش بر این است که با ترکیب دانش متای به‌دست‌آمده از پیاده‌سازی روش‌های پایه‌ای یادگیری، مدلی برتر و با قابلیت تعمیم بهتر نسبت به هر‌یک از مدل‌های اولیه حاصل شود.

در گام نهایی تحلیل با استفاده از ابزارهای تعریف‌شده برای ارزیابی دقت پیش‌بینی عملکرد، مدل نهایی و مقایسۀ آن با نتایج حاصل از پیش‌بینی مدل‌های اولیه بررسی می‌شود. مراحل انجام‌دادن تجزیه‌و‌تحلیل در شکل 1 آمده است.

 

 

 

 

 

 

شکل 1: مراحل تجزیه‌و‌تحلیل پژوهش (منبع: یافته‌های پژوهش)

Figure 1: Steps of research analysis

 

 

  1. یافته‌ها و بحث

1-5. نتایج پیش‌بینی به روش یادگیری متا

نخستین یافتۀ پژوهش از تحلیل نمودار سری زمانی داده‌های اولیه پژوهش حاصل شده است. داده‌های سری زمانی استفاده‌شده در این پژوهش مربوط به حجم فروش آلومینیوم در بازار بورس کالای ایران با واحد تن و به‌صورت هفتگی است. داده‌های استفاده‌شده در این پژوهش شامل یک سری زمانی است که مقدار‌های متغیر را در 344 مقطع زمانی از 8 آبان سال 1394 تا 6 خرداد سال 1401 نشان می‌دهد. مقدار‌های متناظر با هر تاریخ نشان‌دهندۀ حجم فروش آلومینیوم در هفتۀ منتهی به تاریخ مدنظر است. در‌ادامه، نمودار سری زمانی مطالعه‌شده در شکل 2 آمده است.

 

 

شکل 2: نمودار سری زمانی داده‌های تاریخی مربوط به حجم فروش آلومینیوم در بورس کالای ایران

 (منبع: یافته‌های پژوهش)

Figure 2: Time series graph of historical data related to aluminum sales volume in Iran commodity exchange

 

 

با‌توجه به نمودار سری زمانی به‌دست‌آمده، مشاهده می‌شود که برخلاف سیر کلی صعودی میزان فروش و با‌توجه به وجود نوسان‌های بزرگ در حجم فروش، نمی‌توان با قطعیت روندی را برای این متغیر در‌نظر گرفت. با نگاهی اجمالی در نمودار حضور چرخه و یا فصلی‌بودن داده‌ها مشهود نیست. اگرچه ممکن است در نمودار بررسی‌شده (شکل 2) الگو‌های پنهان مشاهده شود، شکل 2 عدم مشاهدۀ روند در داده‌ها، فصلی‌بودن داده‌ها و یا چرخه‌ای‌بودن آنها، عدم امکان استفاده از روش‌های سادۀ پیش‌بینی سری زمانی (روش میانگین و یا روش رگرسیون ساده با استفاده از یک تابع چند‌جمله‌ای) را نشان می‌دهد.

با بررسی نمودار سری زمانی، جهش‌های ناگهانی در مقدار‌های متغیر مشهود است. این جهش‌ها نشان‌دهندۀ حضور مؤثر نویز (نوفه) در سری زمانی است. با‌توجه به نویزی‌بودن داده‌های سری زمانی انتظار می‌رود که روش‌های پیشرفته‌تر پیش‌بینی مانند روش شبکۀ عصبی در‌مقایسه با دیگر روش‌هایی که یک مبنای ریاضیاتی ساده را دنبال می‌کنند مانند روش رگرسیون ساده، نتایج بهتر و دقت بیشتر را داشته باشند. با‌توجه به نتایج حاصل‌شده از تحلیل مقدماتی، هر‌یک از روش‌های چهارگانۀ پیش‌بینی پایه‌ای بر‌اساس اصول روش‌ها اجرا و به این ترتیب، دانش متای لازم برای پیاده‌سازی روش یادگیری متا حاصل شده است. با‌توجه به خصوصیات دانش متا و رفتار داده‌های سری زمانی مطالعه‌شده (میزان فروش آلومینیوم در بازار بورس کالای ایران) می‌توان راهبرد بهره‌برداری از این دانش متا را برای دستیابی به مدلی دقیق‌تر تعیین کرد.

با پیاده‌سازی و دستیابی به نتایج روش‌های اولیۀ پیش‌بینی سری زمانی اطلاعاتی دربارۀ چگونگی رفتار مدل‌های مختلف برای داده‌های سری زمانی مطالعه‌شده در این پژوهش (میزان فروش آلومینیوم در بازار بورس کالای ایران) حاصل شده است. در روش یادگیری متا به این اطلاعات دانش متا گفته می‌شود. در این بخش تلاش بر آن است که از این اطلاعات کسب‌شده (دانش متا) برای دستیابی به یک مدل پیش‌بینی دقیق‌تر استفاده شود. راهبردهای متنوعی را برای چگونگی استفاده از دانش متا می‌توان اجرا کرد. هدف‌های پژوهش حاضر و ویژگی‌های دانش متای حاصل‌شده در تعیین راهبرد اجرای روش یادگیری متا اثرگذار است.

در تحلیل هر روش پایه‌ای پیش‌بینی بررسی‌شده مشخص شد که هر‌یک از روش‌های پیش‌بینی استفاده‌شده رفتارها و ویژگی‌های خاصی دارند. با بررسی نتایج به‌دست‌آمده، مشاهده شده است که روش‌های مختلف پیش‌بینی در افق‌های زمانی مختلف دقت‌های متفاوتی دارند؛ از این رو در پژوهش حاضر برای پیش‌بینی افق‌های زمانی مختلف از مدل‌های مختلف پایه‌ای استفاده می‌شود. در‌واقع، با بررسی دانش متای به‌دست‌آمده، مشاهده شده است که عملکرد مدل‌های پیش‌بینی پایه‌ای در افق‌های زمانی مختلف گوناگون است؛ به‌طوری که برخی از مدل‌ها در افق‌های زمانی مشخصی، عملکردی برتر از دیگر مدل‌ها ارائه می‌کنند؛ بنابراین راهبرد ترکیب مدل‌های پایه‌ای در این پژوهش بر‌اساس برتری عملکرد مدل‌های پایه‌ای در افق‌های زمانی مختلف تعیین شده است.

پس از تعیین رویکرد استفاده از دانش متا، روش یادگیری متا بر‌اساس این رویکرد پیاده‌سازی شده است. نتایج بررسی دقت پیش‌بینی با استفاده از روش یادگیری متا در‌مقایسه با چهار روش منتخب دیگر پیش‌بینی در جدول 1 آمده است.

 

 

 

 

 

جدول 1: مقایسۀ نتایج ارزیابی روش‌های مختلف استفاده‌شده برای پیش‌بینی میزان فروش هفتگی آلومینیوم در بازار بورس کالا در 5 مقطع زمانی آینده

Table 1: Comparison of the evaluation results of different methods used to predict the amount of weekly sales of aluminum in the commodity exchange market in the next 5 time periods

مدل پیش‌بینی

میانگین انحراف مطلق (MAD)

میانگین مجذور خطا (MSE)

میانگین درصد خطای مطلق (MAPE)

شبکۀ عصبی

2308.7

9672900

20.97

آریما

2699.6

11639000

27.90

رگرسیون ساده

27810.7

1678200000

398.82

هموارسازی نمایی

2589.9

8118900

30.87

یادگیری متا

1017.4

2474200

9.30

 

 

با‌توجه به نتایج به‌دست‌آمده روش یادگیری متای استفاده‌شده در‌مقایسه با دیگر روش‌های پایه‌ای، عملکردی به‌طور کامل، برتر داشته است. با‌توجه به اطلاعات جدول 1 می‌توان عملکرد روش‌های پایه‌ای را نیز با یکدیگر مقایسه کرد. با انجام‌دادن این مقایسه مشاهده می‌شود که روش شبکۀ عصبی نسبت به دیگر روش‌ها برتری دارد. با ‌مقایسۀ روش‌های پیش‌بینی گفتنی است که روش رگرسیون ساده به‌گونه‌ای طراحی شده است که تنها قادر به پیش‌بینی در افق‌های پایین (مقاطع زمانی اول و دوم در آینده) است.

برای بررسی چگونگی تغییرات مقدار‌های پیش‌بینی با استفاده از مدل‌های مختلف، نمودار سری زمانی پیش‌بینی 5 مقطع زمانی آینده روش‌های پایه‌ای، روش یادگیری متا و داده‌های واقعی سری زمانی به‌صورت یکجا و در یک نمودار ترسیم شده است.

 

 

شکل 3: نمودار مقایسۀ پیش‌بینی سری زمانی در 5 مقطع آیندۀ مدل‌های مختلف پیش‌بینی با داده‌های واقعی (منبع: یافته‌های پژوهش)

Figure 3: Comparison diagram of time series forecasting in 5 future stages of different forecasting models with real data.

 

 

2-5. اعتبارسنجی نتایج

موضوع دیگری که در پژوهش حاضر بررسی می‌شود، اعتبارسنجی روش یادگیری متای استفاده‌شده است. در این قسمت تلاش بر آن است که با حذف قسمتی از داده‌های سری زمانی مطالعه‌شده و با در نظر گرفتن افق‌های پیش‌بینی مختلف، مدل‌های پیش‌بینی دوباره اجرا و نتایج به‌دست‌آمده با استفاده از روش یادگیری متا سنجیده شود.

در تحلیل نخست صورت‌‌گرفته دربارۀ نتایج حاصل از پیاده‌سازی روش یادگیری متا از 344 دادۀ اولیه سری زمانی (کل حجم دادۀ در‌نظر‌گرفته‌شده به‌عنوان داده‌های تاریخی) استفاده شده است. برای اعتبارسنجی روش یادگیری متا تعدادی از این 344 دادۀ اولیه به‌صورت تصادفی حذف و نتایج بررسی شد. در‌ادامه، نمونه‌ای از نتایج اعتبارسنجی به‌دست‌آمده، بررسی می‌شود.

در بررسی اعتبارسنجی، 88 نمونه از داده‌های انتهایی سری زمانی مطالعه‌شده (میزان فروش هفتگی آلومینیوم در بازار بورس کالای ایران) حذف و عملیات پیش‌بینی با استفاده از روش‌های منتخب و روش یادگیری متا با استفاده از داده‌های باقی‌مانده در سری زمانی (256 داده) از نو اجرا شده است. همچنین، افق زمانی پیش‌بینی در این نمونه از اعتبارسنجی، برابر با 5 در‌نظر گرفته شده است؛ به این معنا که در این بررسی، نتایج حاصل از پیش‌بینی میزان فروش هفتگی آلومینیوم در بازار بورس کالا برای 5 افق زمانی آینده در‌نظر گرفته شده است. مقایسۀ نتایج پیش‌بینی با استفاده از روش‌های مختلف در این نمونه از اعتبارسنجی در جدول 2 آمده است.

 

جدول 2: مقایسۀ نتایج ارزیابی روش‌های مختلف استفاده‌شده برای پیش‌بینی میزان فروش هفتگی آلومینیوم در بازار بورس کالا در اولین نمونه اعتبارسنجی

Table 2: Comparison of the evaluation results of different methods used to predict the amount of weekly sales of aluminum in the commodity exchange market in the first case of validation

مدل پیش‌بینی

میانگین انحراف مطلق (MAD)

میانگین مجذور خطا (MSE)

میانگین درصد خطای مطلق (MAPE)

شبکۀ عصبی

1943.8

7921000

27.83

آریما

1871.8

4392500

25.60

رگرسیون ساده

1621.5

4732200

20.84

هموارسازی نمایی

1615.3

3825500

21.04

یادگیری متا

609.8

633090

7.97

 

 

نتایج جدول 2 نشان می‌دهد که دقت روش یادگیری متا در‌مقایسه با دیگر روش‌های منتخب پیش‌بینی با استفاده از هر سه معیار سنجش دقت پیش‌بینی برتر است.

در‌نهایت، با‌توجه به تحلیل صورت‌گرفته و با‌وجود اینکه در مقاطع زمانی خاصی دقت پیش‌بینی به میزان چشمگیری کاهش می‌یابد که علت این موضوع می‌تواند ناشی از حوادث و رویدادهایی باشد که ریشۀ آنها در حالت کلی ناشناخته و یا پیش‌بینی‌ناپذیر است، می‌توان برتری دقت روش یادگیری متا را در‌مقایسه با دیگر روش‌های کاربردی پیش‌بینی نتیجه گرفت.

  1. نتیجه‌گیری

پیش‌بینی میزان فروش یکی از اقدام‌های اصلی در بازاریابی است. پیش‌بینی در بازاریابی علاوه‌بر برنامه‌ریزی فعالیت‌های بازاریابی در تحلیل جذابیت بازار، کنترل و بررسی عملکرد بازاریابی، اختصاص منابع، تولید و مدیریت انبار به کار گرفته می‌شود. تحلیل فرصت‌های بازاریابی نقش قلب فعالیت‌های بازاریابی را دارد و این تحلیل نیازمند پیش‌بینی دقیق میزان فروش است (Dibb & Simkin, 2012). اهمیت و جایگاه ویژۀ موضوع پیش‌بینی در بازاریابی توجه مدیران بازاریابی به این موضوع و تلاش پژوهشگران حوزۀ بازاریابی را برای دستیابی به مدل‌های دقیق‌تر پیش‌بینی می‌طلبد. در این راستا، در پژوهش حاضر تلاش شده است تا با به‌کارگیری یکی از روش‌های نوین استفاده‌شده برای پیش‌بینی، مدلی دقیق‌تر نسبت به سایر مدل‌های رایج استفاده‌شده ازجهت پیش‌بینی میزان فروش حاصل شود.

با‌توجه به نوین‌بودن به‌کارگیری روش یادگیری متا برای پیش‌بینی میزان فروش سؤال اصلی پژوهش حاضر مبنی بر چگونگی اجرای این روش طرح شده است. برای پاسخ به این سؤال پس از بررسی مفاهیم اصلی و اصول مربوط به مبحث پیش‌بینی و موضوع یادگیری ماشین و یادگیری متا، دید اولیه و زمینۀ اجرای روش یادگیری متا حاصل و در‌ادامه، با‌توجه به ابزارها و اصول مربوط، راهبرد اصلی به‌کارگیری روش یادگیری متا برای پیش‌بینی میزان فروش تعیین شده است. در گام بعدی با اجرای راهبرد اصلی تعیین‌شده در مرحلۀ قبل بر داده‌های مربوط به میزان فروش آلومینیوم در بازار بورس کالای ایران و جزئیات مراحل مختلف اجرای روش یادگیری متا تعیین شد و در بخش نهایی با یکپارچه‌سازی نتایج حاصل‌شده از مراحل پیشین تحلیل داده‌ها، مدل یادگیری متا طراحی و اجرا شده است. به این ترتیب، پاسخ سؤال اصلی پژوهش حاضر مبنی بر چگونگی استفاده از روش یادگیری متا برای پیش‌بینی میزان فروش در طی مراحل ذکر‌شده به دست آمده است.

در این پژوهش علاوه‌بر چگونگی به‌کارگیری روش یادگیری متا برای پیش‌بینی میزان فروش، وضعیت دقت نتایج حاصل‌شده از اجرای این روش نیز بررسی شده است. در این راستا، نتایج حاصل از به‌کارگیری 4 روش منتخب و استفاده‌شده برای پیش‌بینی در کنار نتایج حاصل از به‌کارگیری روش یادگیری متا مقایسه و سپس میزان دقت آنها با استفاده از معیارهای تعریف‌شده، سنجیده شده است. نتایج این مقایسه برتری دقت روش یادگیری متا را در‌برابر با روش‌های پایه‌ای نشان داده است. در پژوهش حاضر برای اعتبارسنجی نتایج به‌دست‌آمده مبنی بر برتری دقت پیش‌بینی روش یادگیری متا روش‌های مختلف پیش‌بینی (روش یادگیری متا و دیگر روش‌های منتخب) با شرایطی متفاوت از نو اجرا و سپس نتایج آنها ارزیابی شد. در‌پی این تحلیل، برتری دقت روش یادگیری متا نیز نشان داده شد. به این ترتیب، صحت نتیجۀ حاصل‌شده در بررسی نخست اثبات شده است.

قابلیت فراوان بهره‌برداری از روش یادگیری متا برای پیش‌بینی یکی از نتایجی است که محققان در این پژوهش به آن دست یافته‌اند که این نتیجه با نتایج پژوهش دینگ و همکاران (Ding et al., 2020) همخوانی دارد. از سوی دیگر، در این پژوهش در‌مقایسۀ دقت روش‌های پایه‌ای پیش‌بینی با یکدیگر، دقت روش شبکۀ عصبی برتری داشته است که این نتیجه با یافتۀ پژوهش فلاح (1396) مطابقت دارد. نحوۀ استفاده از یادگیری متا برای حل مسئلۀ پیش‌بینی میزان فروش، شکاف علمی مهم در پژوهش حاضر بوده است که نتایج به‌دست‌آمده در این پژوهش توانایی فراوان این روش را در حل مسئلۀ پیش‌بینی نشان داده است.

با نگاهی کلی به پژوهش حاضر در روش یادگیری متا که یکی از ابزارهای نوین هوش مصنوعی و یادگیری ماشین است، برای بهبود و ارتقای روش‌های استفاده‌شده ازجهت پیش‌بینی میزان فروش (همان‌طور که بیان شد، از اقدام‌های مهم مدیریتی و از ارکان بخش بازاریابی در سازمان‌هاست) از روش یادگیری متا استفاده شده است. نتایج به‌دست‌آمده در این پژوهش حاکی از موفقیت‌آمیز‌بودن استفاده از یکی از روش‌های نوین موجود در یادگیری ماشین (روش یادگیری متا) برای پیش‌بینی میزان فروش است. کارایی یکی از روش‌های یادگیری ماشین در یکی از بخش‌های مدیریتی سازمان، مؤید قابلیت‌های این حوزۀ علمی در‌زمینه مدیریت است. در بسیاری از پژوهش‌های صورت‌گرفته در این زمینه از یادگیری ماشین برای بهینه‌سازی تولید در صنایع، مدیریت اطلاعات، زمان‌بندی پروژه‌ها، مدیریت زنجیرۀ تأمین، مدیریت و کنترل ریسک، مدیریت منابع و بسیاری از زمینه‌های مدیریتی دیگر استفاده شده است. نشان‌دادن کارایی استفاده از روش یادگیری متا برای حل یکی از مسائل مدیرتی می‌تواند از‌طرفی، منجر به کشف قابلیت‌های استفاده از ابزارهای یادگیری ماشین و به‌طور خاص روش یادگیری متا در‌حوزۀ مدیریت و از طرف دیگر، می‌تواند منجر به گرایش مدیران در استفاده از ابزارهای هوش مصنوعی، یادگیری ماشین و یادگیری متا در بخش‌های مختلف مدیریتی شود و به این ترتیب، ابزارهای در‌دسترس مدیران برای حل مسائل مدیریتی افزایش می‌یابد که این موضوع بر عملکرد مدیریت تأثیر مثبت می‌گذارد.

با‌توجه به مدل پیش‌بینی فروش به‌دست‌آمده در این پژوهش می‌توان از این مدل برای پیش‌بینی میزان فروش در سازمان‌ها استفاده کرد. با‌توجه به انعطاف‌پذیری روش یادگیری متا در حل مسئلۀ پیش‌بینی میزان فروش می‌توان با استفاده از راهبرد طراحی مدل پیش‌بینی در این پژوهش به طراحی مدل‌های دیگر پیش‌بینی که با نیازهای سازمان‌ها تطابق داشته باشد، پرداخت. همچنین، شیوۀ بهره‌برداری از روش یادگیری متا که در این پژوهش استفاده شده است، می‌تواند در پژوهش‌های دیگری که موضوع پیش‌بینی در آنها مطالعه شده است، استفاده شود. این موارد از‌جمله پیشنهادهای کاربردی برخواسته از نتایج این پژوهش است.

در پژوهش‌های آینده برای کشف قابلیت‌های روش یادگیری متا می‌توان از این روش برای پیش‌بینی میزان فروش در بازارهای مختلف دیگر استفاده و عملکرد این روش را در بازار جدید ارزیابی کرد.

یکی از مراحل اصلی اجرای روش یادگیری متا تعیین رویکرد بهره‌برداری از دانش متاست. در این پژوهش برای ترکیب مدل‌های پایه‌ای از یک رویکرد مشخص استفاده شده است. یک زمینۀ پژوهشی این است که رویکردهای مختلف بهره‌برداری از دانش متا برای ترکیب مدل‌های پایه‌ای به ‌طور خاص، مطالعه شود تا نتایجی دربارۀ رویکردهای برتر برای دستیابی به نتایج دقیق پیش‌بینی میزان فروش حاصل شود. همچنین، در پژوهش‌های آینده می‌توان از ترکیب متفاوت و یا ترکیبی از روش‌های پایه‌ای بیشتری در مدل یادگیری متا استفاده کرد. انتظار می‌رود که با افزایش روش‌های پایه‌ای استفاده‌شده در روش یادگیری متا دقت بهتر نتایج نهایی حاصل شود. میزان تأثیر اضافه‌کردن یک روش پایه‌ای بر نتایج نهایی مدل یادگیری متا یک زمینۀ پژوهشی برای پژوهشگران است.

 

 

[1].  گزارش‌های هفتگی (ime.co.ir)

سیفی، سحر (1397). پیش‌بینی میزان فروش تلفن‌های همراه هوشمند با استفاده از الگوریتم‌های ترکیبی. پایان‌نامۀ کارشناسی ارشد، دانشگاه خوارزمی.   https://ganj.irandoc.ac.ir/
فلاح، مجتبی (1396). ارائۀ یک سیستم پشتیبان تصمیم با استفاده از تکنیک‌های داده‌کاوی جهت پیش‌بینی فروش صنایع کاشی ایران (مطالعۀ موردی: برخی از صنایع کاشی میبد). پایان‌نامۀ کارشناسی ارشد، دانشگاه علم و صنعت ایران https://ganj.irandoc.ac.ir/
References
Baxter, J. (2000). A model of inductive bias learning. Journal of Artificial Intelligence Research, 12, 149-198. https://doi.org/10.1613/jair.731 
Brazdil, P., Giraud-Carrier, C., Soares, C., & Vilalta, R. (2009). Metalearning metalearning: Applications to data mining. Springer science & business media.
Chen, S. H., & Wang, P. P. (2004). Computational intelligence in economics and finance in computational intelligence in economics and finance. Springer.
Chen, Y., Fu, G., & Liu, X. (2020). Air-conditioning load forecasting for prosumer based on Meta ensemble learning. IEEE Access, 8, 123673-123682. https://doi.org/10.1109/access.2020.2994119 
David, F. R. (2011). Strategic management concepts and cases. Pearson education as prentice hall.
Dibb, S., & Simkin, L. (2012). Marketing briefs: A revision and study guide. Routledge. https://doi.org/10.4324/9780080511085 
Ding, S., Dong, C., Zhao, T., Koh, L., Bai, X., & Luo, J. (2020). A meta-learning based multimodal neural network for multistep ahead battery thermal runaway forecasting. IEEE Transactions on Industrial Informatics, 17(7), 4503-4511. https://doi.org/10.1109/tii.2020.3015555 
Dudin, M. N., Voykova, N. A., Frolova, E. E., Artemieva, J. A., Rusakova, E. P., & Abashidze, A. H. (2017). Modern trends and challenges of development of global aluminum industry. Metalurgija, 56 (1-2), 255-258. https://hrcak.srce.hr/file/249347
Evans, J. A., & Foster, J. G. (2011). Metaknowledge. Science, 331(6018), 721-725. https://doi.org/10.1126/science.1201765 
Fallah, M. (2017). Introducing a decision support system model to forecast sales on Iran’s tile industries through some data mining techniques (The case of some Meybod tiles industries) Master thesis, Iran University of Science and Technology. https://ganj.irandoc.ac.ir/  [In Persian].
Foster, D., & Davis, J. (1984). Mastering marketing. Red globe press London.
Freeman, J. R., & Job, B. L. (1979). Scientific forecasts in international relations: Problems of definition and epistemology. International Studies Quarterly, 23(1), 113-143. https://doi.org/10.2307/2600276  
Gaudet, B., Linares, R., & Furfaro, R. (2020). Adaptive guidance and integrated navigation with reinforcement meta-learning. Acta Astronautica, 169, 180-190. https://doi.org/10.1016/j.actaastro.2020.01.007 
Gilliland, M., Tashman, L., & Sglavo, U. (2021). Business forecasting: The emerging role of artificial intelligence and machine learning. John Wiley & Sons. https://doi.org/10.1002/9781119782605 
Hyndman, R. J., & Athanasopoulos, G. (2012). Forecasting: Principles and practice. Otexts.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice. Otexts.
Kotler, P., & Keller, K. L. (2016). Marketing management. Harlow England.
Lachtermacher, G., & Fuller, J. D. (1995). Back propagation in time‐series forecasting. Journal of Forecasting, 14(4), 381-393. https://doi.org/10.1002/for.3980140405 
Larsen, K. R., & Becker, D. S. (2021). Automated machine learning for business. Oxford University Press. https://doi.org/10.1093/oso/9780190941659.001.0001 
Li, Y., & Ying, F. (2011). Multivariate time series analysis in corporate decision-making application. International Conference of Information Technology, Computer Engineering and Management Sciences, China, Njing. 374-376. https://doi.org/10.1109/icm.2011.306 
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2008). Forecasting methods and applications. John Wiley & Sons, Inc. https://doi.org/10.1016/s0169-2070(01)00130-3 
Mastorocostas, P. A., Theocharis, J. B., & Petridis, V. S. (2001). A constrained orthogonal least-squares method for generating TSK fuzzy models: Application to short-term load forecasting. Fuzzy Sets and Systems, 118(2), 215-233. https://doi.org/10.1016/s0165-0114(98)00344-3 
McClendon, L., & Meghanathan, N. (2015). Using machine learning algorithms to analyze crime data. Machine Learning and Applications: An International Journal (MLAIJ), 2(1), 1-12. https://doi.org/10.5121/mlaij.2015.2101 
Mills, T. C. (2019). Applied time series analysis: A practical guide to modeling and forecasting. Academic press.  https://doi.org/10.32676/n.5.1.1 
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting. John Wiley & Sons, Inc. https://doi.org/10.1111/jtsa.12203 
Papalexopoulos, A. D., & Hesterberg, T. C. (1990). A regression-based approach to short-term system load forecasting. IEEE Transactions on Power Systems, 5(4), 1535-1547. https://doi.org/10.1109/59.99410 
Pal, A., & Prakash, P. K. S. (2017). Practical time series analysis: Master time series data processing visualization and modeling using python. Packt publishing Ltd. Practical Time Series Analysis | Packt (packtpub.com)
Park, J. H., Park, Y. M., & Lee, K. Y. (1991). Composite modeling for adaptive short-term load forecasting. IEEE Transactions on Power Systems, 6(2), 450-457. https://doi.org/10.1109/59.76686 
Peixeiro, M. (2021). Time series forecasting in python (MEAP v03). Manning publications. Time Series Forecasting in Python (manning.com)
Seyfi, S. (2018). Predicting smartphones sales by implementing combine algorithms [Khwarazmi university master's thesis]. Ganj. https://ganj.irandoc.ac.ir/ ]In Persian[.
Shmueli, G., & Kenneth, C. (2016). Practical time series forecasting with r: A hands-on guide. Axelrod schnall publishers.
Tanter, R. (1972). Explanation, prediction and forecasting in international politics. The analysis of international politics. Essays in honor of Harold and Margaret sprout, The Free Press, New York.
Terui, N., & Li, Y. (2019). Measuring large‐scale market responses and forecasting aggregated sales: Regression for sparse high‐dimensional data. Journal of Forecasting, 38(5), 440-458. https://doi.org/10.1002/for.2574 
Zarnowitz, V. (1968). Prediction and forecasting, economic. International Encyclopedia of Statistics, 2, 716-733.
Zhao, Y. (2021). Analysis and forecast of car sales based on R language time series. Smart Innovations in Communication and Computational Sciences. 1168, 197-207. https://doi.org/10.1007/978-981-15-5345-5_18