零售方法

通过零售销售方法，您可以预测特定时间段内植入的所有商店的销售预测。 借助准确的预测模型，零售商能够找到需求与定价政策之间的关系，并做出优化的定价决策，从而最大化销售和收入。

以下文档将回答以下问题：

这个配方是为谁设计的？

零售商要在当前市场上保持竞争力，面临着诸多挑战。 您的品牌寻求提高零售品牌的年销售量，但需要做出许多决策来最大限度地降低您的运营成本。 供应过多会增加库存成本，而供应过少则会增加客户流失到其他品牌的风险。 需要订购更多未来几个月的供应吗？ 如何确定产品的最佳定价以保持每周的销售目标？

这道菜有什么用？

零售预测方法使用机器学习来预测销售趋势。 方法是通过利用丰富的历史零售数据和定制的梯度增强回归机器学习算法提前一周预测销售量来实现这一点。 该模型利用过去的购买历史记录，并默认为由我们的数据科学家确定的预先确定的配置参数，以提高预测准确性。

我该如何入门？

您可以按照以下步骤开始操作 教程.

本教程将介绍如何在Jupyter Notebook中创建零售配方，以及如何使用笔记本的配方工作流在Adobe Experience Platform中创建配方。

数据架构

此方法使用 XDM架构 为数据建模。 用于此方法的架构如下所示：

算法

首先，训练数据集位于 DSWRetailSales 架构已加载。 在此处，模型使用进行训练 梯度升压回归算法. 梯度提升采用的理念是，弱学习者（至少比随机概率稍好一点）可以组成一系列学习者，专注于改善前一个学习者的弱点。 它们可以一起用于创建强大的预测模型。

该过程包含三个要素：损失函数、弱学习者和加性模型。

损失函数指的是衡量一个预测模型在预测预期结果方面做得如何 — 在这个配方中使用了最小二乘回归。

在梯度提升中，决策树作为弱学习者。 通常，使用具有有限数量的层、节点和拆分的树来确保学习者保持弱势。

最后采用加性模型。 在用损失函数计算损失后，选择减少损失的树进行加权处理，以改进对较难观测值的建模。 然后将加权树的输出添加到现有树序列中，提高模型的最终输出 — 未来销售量。