МОДЕЛЮВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ ДОХОДУ

У статті проаналізовано можливості прогнозування доходів великих корпорацій, таких як Apple, Amazon, GE, IBM і ExxonMobil, використовуючи алгоритми машинного навчання Random Forest та XGBoost, а також Tableau як еталонний інструмент аналітики. Основною метою було оцінити точність цих методів та їхню здатність передбачати фінансові показники на основі історичних даних. Метою виконаних досліджень є аналіз та порівняння створених локальних моделей машинного навчання та комерційних моделей в предметі прогнозування доходу на звітний період з урахуванням історичних даних. У ході роботи використано Google Colab як середовище для обчислень, що дозволило легко інтегрувати алгоритми, працювати з великими наборами даних та швидко тестувати моделі. Дані щодо доходів компаній були внесені у Google Sheets, звідки їх було завантажено для подальшого аналізу. Застосовано методи попередньої обробки даних, включаючи масштабування та усунення можливих аномалій.  Результати показали, що хоча жодна модель не змогла передбачити доходи з абсолютною точністю, моделі машинного навчання продемонструвало конкурентоспроможність у порівнянні з Tableau. Наприклад, XGBoost точніше спрогнозував дохід GE (13,02% відносної похибки проти 24,06% у Tableau), а Random Forest – ExxonMobil (3,82% проти 16,95%). У той же час, модель від Tableau продемонстрував точніші результати для Amazon та Apple, що може бути пов’язано з особливостями внутрішніх алгоритмів прогнозування. Результати аналізу середньоквадратичної похибки (MSE) підтвердив, що точність прогнозів може змінюватися залежно від вибраної моделі. Для моделі на основі алгоритму Random Forest похибка становила 3649,4, а для моделі, що використовувала алгоритм XGBoost – 3713,4, що свідчить про необхідність подальшої оптимізації параметрів моделей. Однак, враховуючи, що навіть Tableau мав значні відхилення у прогнозах, можна стверджувати, що методи машинного навчання є перспективними та можуть використовуватися для фінансового прогнозування, особливо після доопрацювання та адаптації до конкретних завдань.  Таким чином, наше дослідження підтвердило, що моделі на основі алгоритмів Random Forest та XGBoost є ефективними інструментами аналітики, які можуть конкурувати з традиційними методами візуалізації та прогнозування. Подальші дослідження можуть зосередитися на покращенні параметрів моделей та використанні додаткових факторів, що впливають на фінансові показники компаній.