소매 판매 레서피

소매 판매 배합식을 사용하면 특정 기간 동안 초기 설정된 모든 점포에 대한 판매 예측을 예측할 수 있습니다. 정확한 예측 모델을 통해 소매업체는 수요와 가격 정책 간의 관계를 파악하고 매출과 수익을 극대화하기 위해 최적화된 가격 결정을 내릴 수 있습니다.

다음 문서는 다음과 같은 질문에 답변합니다.

  • 이 요리법은 누구를 위해 만들어진 건가요?
  • 이 조리법은 어떤 역할을 합니까?
  • 시작하려면 어떻게 해야 합니까?

이 요리법은 누구를 위해 만들어진 건가요?

소매업체는 현재 시장에서 경쟁력을 유지하기 위해 많은 도전에 직면해 있습니다. 브랜드에서는 소매 브랜드에 대한 연간 매출을 늘리려고 하지만 운영 비용을 최소화하기 위해 결정할 수 있는 많은 것들이 있습니다. 공급이 너무 많으면 재고 비용이 증가하지만 공급이 너무 적으면 고객이 다른 브랜드에 피해를 줄 위험이 증가합니다. 앞으로 몇 달 동안 더 많은 공급을 주문해야 하나요? 주간 판매 목표를 유지하기 위한 제품의 최적 가격 결정을 어떻게 결정합니까?

이 조리법은 어떤 역할을 합니까?

소매 판매 예측 레서피는 기계 학습을 사용하여 판매 추세를 예측합니다. 이 레시피는 과거 소매 데이터의 풍부한 정보와 맞춤형 그라데이션 증폭 회귀 또는 기계 학습 알고리즘을 활용하여 1주일 전에 매출을 예측함으로써 이를 수행합니다. 이 모델은 과거 구매 내역과 기본값을 Data Sciences에서 결정한 사전 결정된 구성 매개 변수로 활용하여 예측 정확도를 높입니다.

시작하려면 어떻게 해야 합니까?

다음을 수행하여 시작할 수 있습니다 튜토리얼.

이 튜토리얼에서는 Jupiter Notebook에서 소매 판매 레서피 만들기 및 전자 필기장을 사용하여 Adobe Experience Platform에서 레서피 워크플로우를 만들어 봅니다.

데이터 스키마

이 조리법은 XDM 스키마 데이터를 모델링하는 데 사용됩니다. 이 레서피에 사용된 스키마가 아래에 표시됩니다.

필드 이름 유형
날짜 문자열
스토어 정수
storeType 문자열
weeklySales 숫자
storeSize 정수
온도 숫자
regionFuelPrice 숫자
markdown 숫자
cpi 숫자
실업 숫자
isHoliday 부울

알고리즘

먼저, DSWRetailSales 스키마가 로드되었습니다. 여기서 모델은 그레이디언트 증폭 회귀 알고리즘. 그래디언트 증대는 약한 학습자(적어도 무작위 가능성보다 약간 더 나은 것)가 이전 학습자의 약점들을 개선하는데 초점을 둔 연속적인 학습자들을 형성할 수 있다는 생각을 사용합니다. 함께 사용하면 강력한 예측 모델을 만들 수 있습니다.

이 프로세스에는 다음의 세 가지 요소가 포함됩니다. 손실 기능, 약한 학습자 및 첨가제 모델.

손실 함수는 예상 결과를 예측할 수 있다는 점에서 예측 모델이 얼마나 잘 수행되는지에 대한 측정을 나타냅니다. 이 레서피에서 최소 제곱 회귀가 사용됩니다.

그래디언트 증폭 시 결정 트리가 약한 학습자로 사용됩니다. 일반적으로 제한된 수의 레이어, 노드 및 분할이 있는 트리는 학습자가 약해지도록 하는 데 사용됩니다.

마지막으로 첨가제 모델을 사용한다. 손실 기능을 사용하여 손실을 계산한 후 손실을 줄이는 트리를 선택하고 가중치를 적용하여 보다 어려운 관찰 모델링을 개선합니다. 그러면 가중 트리의 출력이 기존 트리 시퀀스에 추가되어 모델 - 미래 판매 수량 의 최종 출력을 개선합니다.

이 페이지에서는