零售指导方针

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，零售商能够发现需求与定价政策之间的关系，并做出优化的定价决策，以最大化销售和收入。

以下文档将回答类似下面的问题：

这个配方是为谁设计的？

零售商要在当前市场保持竞争力，面临着诸多挑战。 您的品牌希望提高零售品牌的年销售量，但为了最大限度地降低运营成本，需要做出许多决策。 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。 是否需要订购更多未来几个月的供应？ 如何确定产品的最佳定价以保持每周销售目标？

这个配方有什么用？

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自定义的梯度提升回归机器学习算法，提前一周预测销售额。 该模型利用过去的购买历史记录并默认使用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？

您可以按照此教程开始操作。

本教程将介绍如何在Jupyter Notebook中创建零售销售方法，以及如何使用笔记本的方法工作流在Adobe Experience Platform中创建方法。

数据架构

此方法使用XDM架构来建模数据。 用于此方法的架构如下所示：

算法

首先，加载​ DSWRetailSales ​架构中的训练数据集。 在此处，使用梯度提升回归算法训练模型。 梯度提升法采用的理念是，弱学习者（至少比随机机率稍好一点）可以组成一系列学习者，专注于改善前一个学习者的弱点。 它们一起可用于创建强大的预测模型。

该过程包括三个要素：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 — 在这个方法中使用了最小二乘回归。

在梯度提升算法中，弱学习者采用决策树。 通常，使用层数、节点数和拆分数受限的树来确保学习者保持弱势。

最后，使用加性模型。 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，以改进建模难度较大的观测值。 然后将加权树的输出添加到现有树序列中，以改进模型的最终输出 — 未来销售量。