零售指導方針

上次更新: 2023-05-25
  • 建立對象:
  • Developer
    User
    Admin
    Leader

「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?
  • 這個配方有什麼作用?
  • 如何開始使用?

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?

這個配方有什麼作用?

「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。

如何開始使用?

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。

資料結構描述

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:

欄位名稱 類型
日期 字串
儲存 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

演演算法

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。

本頁內容