零售销售方法

“零售销售”方法使您可以预测某个时间段内系统初始的所有商店的销售预测。 借助准确的预测模型,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限度地提高销售和收入。

以下文档将回答以下问题:

  • 这食谱是为谁准备的?
  • 这食谱是做什么的?
  • 如何开始操作?

这食谱是为谁准备的?

零售商在保持当前市场竞争力方面面临许多挑战。 您的品牌致力于提升您的零售品牌的年销售额,但需要做出许多决策来最大限度地降低运营成本。 供应过多会增加库存成本,而供应过少会增加客户流失到其他品牌的风险。 你在未来几个月需要订购更多供应吗? 如何确定产品的最佳定价以保持每周销售目标?

这食谱是做什么的?

零售销售预测方法使用机器学习来预测销售趋势。 方法是利用大量历史零售数据和定制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先确定的配置参数,以提高预测准确性。

如何开始操作?

您可以通过以下操作开始操作 教程.

本教程将介绍如何在Jupyter Notebook中创建零售销售方法,以及使用笔记本到方法工作流在Adobe Experience Platform中创建方法。

数据模式

此方法使用 XDM模式 来建模数据。 此方法使用的架构如下所示:

字段名称 类型
日期 字符串
商店 整数
storeType 字符串
weeklySales 数值
storeSize 整数
温度 数值
regionalFuelPrice 数值
markdown 数值
cpi 数值
失业 数值
isHoliday 布尔型

算法

首先, DSWRetailSales 架构已加载。 在此,模型使用 梯度增压回归算法. 渐变提升法使用的思想是,弱学习者(至少比随机机会略好)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、弱学习器和加性模型。

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 — 此方法中使用最小二乘回归。

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、节点和分割的树用于确保学习者保持弱。

最后,采用加性模型。 在利用损失函数计算损失后,选取减少损失的树并加权,以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序列中,以改进模型的最终输出 — 未来销售量。

在此页面上