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.
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?
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.
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.
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 |
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.