零售指導方針

「零售銷售」配方可讓您預測特定期間內建的所有商店的銷售預測。有了準確的預測模型，零售商將能夠找到需求與訂價政策之間的關係，並做出最佳化的訂價決策，以最大化銷售和收入。

以下檔案將回答下列問題：

這是專為誰打造的配方？

零售商在目前市場上維持競爭力面臨許多挑戰。您的品牌尋求提高零售品牌的年度銷售量，但為了將營運成本降至最低，有許多決策需要做。供給過多會增加存貨成本，而供給過少則會增加客戶流失至其他品牌的風險。您需要在未來幾個月訂購更多供給嗎？如何決定產品的最佳定價，以維持每週的銷售目標？

「零售預測方式」會使用機器學習來預測銷售趨勢。秘訣是運用豐富的歷史零售資料和自訂漸層提升機器學習演演算法，提前一週預測銷售量。此模型會利用過去的購買記錄，並預設為資料科學家決定的預先設定引數，以提高預測準確性。

您可以依照以下說明開始使用教學課程.

本教學課程將逐步說明如何在Jupyter Notebook中建立零售銷售配方，以及如何使用筆記本來建立配方工作流程，以便在Adobe Experience Platform中建立配方。

此配方使用 XDM結構描述以模型化資料。用於此配方的結構描述如下所示：

首先，此範本中的訓練資料集 DSWRetailSales 結構描述已載入。從此處，模型會使用漸層增強回歸演算法. 漸層提升法採用的理念是，弱學習者（至少比隨機機率稍好一點）可以組成一連串的學習者，專注於改善前一個學習者的弱點。兩者搭配使用，可建立強大的預測性模型。

該過程涉及三個元素：損失函式、弱學習者和加法模型。

損失函式是指在預測預期結果方面，預測模型成效的測量 — 此配方中使用了最小平方回歸。

在漸層提升中，決策樹會作為弱學習者使用。通常，會使用層數、節點數和分割數受限的樹狀結構來確保學習者保持弱勢。

最後，使用加法模型。使用損耗函式計算損耗後，會選擇減少損耗的樹狀結構並加權，以改善更困難的觀察的模型化。然後，加權樹狀結構的輸出會新增至現有的樹狀結構順序，以改善模型的最終輸出 — 未來銷售數量。