零售指導方針

「零售銷售」配方可讓您針對特定期間內建的所有商店，預測其銷售預測。 有了精確的預測模型，零售商將能夠找出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。 您的品牌希望提升零售品牌的年度銷售量，但為了將營運成本降至最低，您有許多決策需要做。 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。 配方會運用豐富的歷史零售資料和自訂漸層提升回歸或機器學習演演算法，提前一週預測銷售額，藉此達成此目的。 此模型運用過去的購買記錄，並預設為資料科學家決定的預先設定引數，以提升預測準確性。

如何開始使用？

您可以依照此教學課程開始進行。

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結構描述來模型化資料。 用於此配方的結構描述如下所示：

演算法

首先，載入​ DSWRetailSales ​結構描述中的訓練資料集。 從此處，使用漸層提升回歸演算法來訓練模型。 漸層提升法採用的觀點是，弱學習者（至少比隨機機會稍好一點）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。 它們一起可用來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。

損失函式指的是預測模型預測預期結果能力的測量 — 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之後，會選擇減少損耗的樹狀結構並進行加權，以改進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。