零售销售方法

“零售销售”方法使您能够预测特定时间段内系统初始的所有商店的销售预测。通过准确的预测模型，零售商将能够找到需求与定价策略之间的关系，并做出优化的定价决策，以最大化销售和收入。

以下文档将回答以下问题：

这个菜谱是谁做的？

在当前市场中保持竞争力，零售商面临着许多挑战。您的品牌力求提升零售品牌的年销售额，但为了将运营成本降至最低，需要做出许多决策。供应过多会增加库存成本，而供应过少则会增加将客户流失到其他品牌的风险。你需要订购更多的供应吗？如何确定产品的最优定价以保持每周销售目标？

零售销售预测菜谱使用机器学习来预测销售趋势。这一方法是利用历史零售数据的丰富和定制的梯度提升回归或机器学习算法提前一周预测销售额。该模型利用过去的购买历史记录并默认为由我们的数据科学家确定的预定配置参数，以增强预测准确性。

您可以通过以下教程开始操作：tutorial。

本教程将讲述在Jupyter笔记本中创建零售销售菜谱以及使用笔记本到菜谱工作流在Adobe Experience Platform中创建菜谱。

此菜谱使用XDM模式来模拟数据。用于此菜谱的模式如下所示：

首先，加载DSWRetailSales模式中的培训数据集。在此，使用梯度提升回归算法训练模型。渐变提升使用的理念是，弱学习者（至少比随机概率略好）可以组成一系列学习者，专注于改善前一个学习者的弱点。它们可以一起用于创建强大的预测模型。

该过程涉及三个元素：损失函数、弱学习者和加性模型。

损失函数是指预测模型在预测预期结果方面表现良好的度量 — 最小二乘回归在此方法中使用。

在渐变提升中，决策树用作弱学习者。通常，具有受限数量的层、节点和拆分的树用于确保学员保持弱。

最后，采用了一个加性模型。在用损失函数计算损失后，选取减少损失的树并加权，改进对较难观测的建模。然后，将加权树的输出添加到现有树的序列中，以改进模型的最终输出 — 未来销售的数量。