零售銷售方式

「零售銷售」方式使您能夠預測特定時段內所有系統初始商店的銷售預測。 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,並做出最佳化定價決策,以最大化銷售與收入。

以下檔案將回答以下問題:

  • 這道菜是給誰做的?
  • 這道菜是幹什麼的?
  • 如何開始使用?

這道菜是給誰做的?

零售商在保持現有市場競爭力方面面臨許多挑戰。 您的品牌希望提高零售品牌的年銷售額,但有許多決策需要做,以將您的營運成本降到最低。 供應過多會增加庫存成本,而供應過少則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的供應? 您如何決定產品的最佳價格,以維持每週銷售目標?

這道菜是幹什麼的?

「零售銷售預測」配方使用機器學習來預測銷售趨勢。 這種方法是利用歷史零售資料的豐富性和定制梯度提升回歸器機器學習算法提前一週預測銷售額。 此模型利用過去的購買記錄,並預設為由我們的資料科學家所決定的預先決定的組態參數,以增強預測精確度。

如何開始使用?

您可依本教學課程開始 使用

本教學課程將在Jupyter筆記型電腦中建立零售銷售配方,並使用筆記型電腦來配方工作流程,在Adobe Experience Platform中建立配方。

資料架構

此方式使 用XDM結構 ,來建立資料模型。 此方式所用的架構如下所示:

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
標籤 數字
cpi 數字
失業 數字
isHoliday 布林值

演算法

首先,載入 DSWRetailSales模式中的訓練資 料集。 在此基礎上,利用梯度推進回歸算法 對模型進行訓練。 漸層強化採用弱學員(至少略好於隨機機會的學員)可形成一連串的學員,專注於改善先前學員的弱點。 搭配使用,可用來建立強大的預測模型。

此程式包括三個要素:損失函式、弱學習者和加性模型。

損失函式是指預測模型在預測預期結果方面表現如何的度量——最小二乘回歸法用於此配方。

在漸層提升中,決策樹作為弱學習者。 通常,樹狀結構的圖層、節點和分割數目有限,可確保學習者保持弱。

最後,採用了加性模型。 在利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