Застосування методів машинного навчання в алгоритмі пошуку партнерів для колаборації на прикладі сектора роздрібної торгівлі

Abstract

Компанії роздрібної торгівлі відіграють важливу роль у світовій економіці, задовольняючи повсякденні потреби споживачів. У період загально-економічних криз зазначені компанії демонструють відносно менші розміри «просадок» порівняно із ринком, але, з іншого боку, такий фактор стабільності є і певним обмежувачем зростання. Тому компанії дуже часто співпрацюють одна з одною, створюючи бізнес-колаборації, щоб розширити свій ринок і досягти спільного зростання й успіху. Метою дослідження є розробка та практична реалізація алгоритму пошуку партнерів для колаборації. Запропонований алгоритм містить такі кроки: формування інформаційної бази дослідження; попередній статистичний аналіз сформованого датасету; класифікація об’єктів у багатофакторному просторі ознак; оцінка якості класифікації; змістовний аналіз отриманої класифікації; ранжування об’єктів у межах кластерної групи та обрання кандидатів для створення колаборації. Алгоритм реалізовано для вихідного датасету компаній сектора роздрібної торгівлі, які станом на початок серпня 2024 р. входили до складу індексу SP500. Початковий датасет містив інформацію щодо значень таких фінансово-економічних показників, як: дивідендний дохід, мультиплікатор ціна/чистий прибуток, рентабельність активів, рентабельність власного капіталу, маржа прибутку, співвідношення позикового капіталу до власного, мультиплікатор ціна/виручка, мультиплікатор ціна/грошовий потік, мультиплікатор ціна/балансова вартість, частка акціонерного капіталу, коефіцієнт поточної ліквідності. Реалізація алгоритму дозволяє отримати кількісну оцінку придатності аналізованої компанії для участі в колаборації. Така кількісна оцінка отримана в результаті реалізації алгоритмів машинного навчання, а саме – алгоритму k-medoids, який дозволяє класифікувати об’єкти дослідження на відносно гомогенні групи, а також ідентифікувати репрезентанта кожної групи, коорди нати якого відіграють роль кластерного центроїдаRetail companies play an important role in the global economy by meeting the daily needs of consumers. During the general economic crises, these companies demonstrate relatively smaller «setbacks» compared to the market, but, on the other hand, such a factor of stability is also a certain limiter of growth. Therefore, it is very common for companies to collaborate with each other, creating business collaborations to expand their market and achieve joint growth and success. The aim of the study is to develop and implement an algorithm for finding partners for collaboration. The proposed algorithm contains the following steps: formation of the research information base; preliminary statistical analysis of the generated dataset; classification of objects in the multifactorial feature space; assessment of the quality of classification; substantive analysis of the obtained classification; ranking objects within the cluster group and selecting can didates to create a collaboration. The algorithm is implemented for the output dataset of companies in the retail sector, which were part of the SP500 index as of the beginning of August 2024. The initial dataset contained information on the values of such financial and economic indicators as: dividend income, price/net profit ratio, return on assets, return on equity, profit margin, debt-to-equity ratio, price/revenue multiplier, price/money flow multiplier, price/book value multiplier, share of equity capital, current liquidity ratio. The implementation of the algorithm allows you obtaining a quantitative assessment of the suitability of the analyzed company for participation in the collaboration. Such a quantitative assessment is obtained as a result of the implementation of machine learning algorithms, namely, the k-medoids algorithm, which allows classifying the objects of study into relatively homogeneous groups, as well as identifying a representative of each group, whose coordinates play the role of a cluster centroid.