零售銷售方式

「零售銷售方式」使您能夠預測某個特定時段內系統初始的所有商店的銷售預測。 透過精確的預測模型,零售商將能夠找出需求與定價政策之間的關係,並做出最佳化的定價決策,以最大化銷售與收入。

以下檔案將回答下列問題:

  • 這個食譜是為誰建的?
  • 這食譜是做什麼的?
  • 如何開始?

這個食譜是為誰建的?

在當前市場中,零售商面臨著保持競爭力的許多挑戰。 您的品牌尋求提升零售品牌的年銷售額,但要將運營成本降至最低,有許多決策要做。 供應過多會增加庫存成本,而供應過少會增加客戶流失至其他品牌的風險。 您是否需要在未來幾個月訂購更多供應? 如何為您的產品決定最佳定價以維持每週銷售目標?

這食譜是做什麼的?

「零售銷售預測」配方使用機器學習來預測銷售趨勢。 方式是利用豐富的歷史零售資料和定製的梯度提升回歸或機器學習算法,提前一週預測銷售額,來實現這一目的。 此模型利用過去的購買歷史記錄,並預設為由我們的資料科學家所決定的預先決定的設定參數,以提升預測準確度。

如何開始?

您可以依照以下步驟開始操作 教學課程.

本教學課程將在Jupyter筆記型電腦中逐步建立零售銷售方式,並使用筆記型電腦至方式工作流程,在Adobe Experience Platform中建立方式。

資料結構

此配方使用 XDM結構 來模型化資料。 此方式使用的架構如下所示:

欄位名稱 類型
日期 字串
商店 整數
storeType 字串
weeklySales 數字
storeSize 整數
溫度 數字
regionalFuelPrice 數字
markdown 數字
cpi 數字
失業 數字
isHoliday 布林值

演算法

首先, DSWRetailSales 架構已載入。 從這裡,模型會使用 梯度增長回歸算法. 「梯度提升」使用的思想是,弱學習者(至少比隨機機會略好)可以形成一系列學習者,專注於改善前一個學習者的弱點。 兩者可共同用來建立強大的預測模型。

該過程涉及三個元素:損失函式、弱學習器和加性模型。

損失函式是指預測模型在能夠預測預期結果方面表現良好的度量 — 此配方中使用最小二乘回歸。

在梯度提升中,決策樹作為弱學習器。 通常,具有受限數量的層、節點和分割的樹用於確保學習器保持弱。

最後,採用了相加模型。 在用損失函式計算損失後,選擇減少損失的樹並加權,以改進較難觀測的建模。 然後,將加權樹的輸出添加到現有的樹序列中,以改進模型的最終輸出 — 未來銷售量。

本頁內容