“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:
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?
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。
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。
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 |
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。