Show Menu
トピック×

小売の販売レシピ

小売売上のレシピを使用すると、特定の期間にシードされたすべての店舗の売上予測を予測できます。 正確な予測モデルを使用すると、小売業者は、需要と価格設定ポリシーの関係を見つけ出し、販売と売上高を最大限にするために最適化された価格決定を行うことができます。
次のドキュメントは、次のような質問に対する回答です。
  • このレシピは誰のために作られているのですか。
  • このレシピは何をするのか。
  • 使用を始めるにはどうすればよいですか。

このレシピは誰のために作られているのですか。

ある小売業者は、現在の市場での競争力を維持するための多くの課題に直面しています。 自社の小売ブランドの年間売上を促進しようとしているブランドですが、運用コストを最小限に抑えるために決定することは多数あります。 供給が多すぎると在庫コストが増加し、供給が少なすぎると顧客が他のブランドに失われるリスクが増加します。 今後数か月の供給を増やす必要がありますか。 週別の販売目標を維持するために、商品の最適価格をどのように決定するか。

このレシピは何をするのか。

小売売上予測レシピでは、機械学習を使用して販売傾向を予測します。 レシピは、豊富な過去の小売データとカスタマイズされたグラデーション倍増回帰または機械学習アルゴリズムを活用して、1週間前に売上を予測することでこれを実現します。 このモデルは、過去の購入履歴を利用し、予測精度を高めるために、データ科学者が決定した事前定義済みの設定パラメーターにデフォルトを設定します。

使用を始めるにはどうすればよいですか。

このチュートリアルに従って作業を開始でき ます
このチュートリアルでは、ジュピターのノートブックで小売売上のレシピを作成し、ノートブックを使用してレシピワークフローを使用して、Adobe Experience Platformでレシピを作成します。

データスキーマ

このレシピでは、 XDMスキーマを使用してデータをモデル化します 。 このレシピで使用するスキーマを次に示します。
フィールド名
タイプ
date
文字列
store
整数
storeType
文字列
weeklySales
数値
storeSize
整数
温度
数値
regionalFuelPrice
数値
markdown
数値
cpi
数値
失業
数値
isHoliday
Boolean

アルゴリズム

まず、DSWRetailSales ** スキーマ内のトレーニングデータセットが読み込まれます。 ここから、モデルは、 グラデーション昇圧回帰アルゴリズムを使用してトレーニングされ ます。 グラデーションの昇格では、弱い学習者(少なくともランダムなチャンスより若干優れた学習者)が、以前の学習者の弱点の改善に重点を置いた一連の学習者を形成できるというアイデアを使用します。 これらの指標を組み合わせて、強力な予測モデルを作成できます。
このプロセスには、次の3つの要素が含まれます。 損失関数、弱い学習者、および加法モデル。
損失関数は、予測結果を予測できるという点で予測モデルがどの程度良いかを示す尺度です。最小二乗回帰がこのレシピで使用されます。
グラデーションのブーストでは、デシジョンツリーが弱い学習者として使用されます。 通常、レイヤー、ノード、分割の数が制限されたツリーを使用して、学習者が弱い状態を保ちます。
最後に、加法モデルを用いる。 損失関数で損失を計算した後、損失を減らすツリーを選択し、重み付けして、より難しい観察のモデリングを改善します。 次に、重み付けされたツリーの出力を既存のツリーのシーケンスに追加し、モデルの最終出力(将来の販売数量)を改善する。