Аннотация:Это исследовательский проект, направленный на применение методов прогнозной аналитики для производства сыра. Целью проекта является использование прогностических методов для прогнозирования количественных результатов продаж в будущем, для планирования производства различных категорий продуктов, а также для повышения эффективности бизнеса в целом. Предметом исследования является ежедневный объем розничных продаж различных продуктов за период в 14 последовательных единиц времени (месяцев). Объект представляет собой фабрику по производству сыра из северо-западной части Северной Македонии, которая производит и реализует собственные сырные продукты через оптовые и розничные каналы поставок. Предметом исследования является розничный объем продаж различных сырных продуктов. Основная цель исследования - разработать модель, которая может быть использована для прогнозирования будущих объемов продаж по различным продуктам. Исследовательский проект - это практический проект по разработке модели прогнозной аналитики как инструмента для дальнейшего бизнес-анализа, измерения и улучшения эффективности бизнеса компаний. Исследование также оценивает накопленное академическое и практическое ноу-хау применения случаев прогнозной аналитики в качестве инструмента для измерения и улучшения эффективности бизнеса. Были также рассмотрены доступные инструменты, статистические и другие доступные методы, с акцентом на методы прогнозирования и их применение для бизнес-кейсов прогнозирования продаж. Прогнозирующая аналитика приобретает все большую популярность как всеобъемлющий и надежный анализ для поддержки стратегических бизнес-решений. Сам проект руководствовался и действовал в соответствии с методологией CRISP -DM для проведения и разработки такой модели прогнозной аналитики. Основными этапами исследовательского проекта являются: понимание бизнеса, понимание данных, подготовка данных, моделирование и оценка моделей. Многие задачи были выполнены в рамках основных этапов, таких как сбор данных. Данные были собраны из системы бухгалтерского учета компании и извне, из национального статистического бюро и других бесплатных ресурсов. Сбор данных привел к созданию набора данных с 10200 наблюдениями и 19 особенностями (переменными). В результате были построены и детально проанализированы 3 модели: временной ряд с методами ARIMA, временной ряд с экспоненциальным сглаживанием и XG Boost Tree. Наилучшие результаты были получены с помощью метода ARIMA, поскольку этот метод в основном подходит для такого набора данных, как этот, с сезонностью и колебаниями. Важность особенности была также измерена для различных факторов. Результаты были переведены в рекомендации по повышению эффективности бизнеса, а также в рекомендации по улучшению самой прогностической модели, поскольку это не разовый проект, а круг, стремящийся к постоянному улучшению.