소매 판매 레시피

소매 판매 레시피를 사용하여 특정 기간 동안 초기 설정된 모든 상점에 대한 판매 예측을 예측할 수 있습니다. 정확한 예측 모델을 통해 소매업체는 수요와 가격 정책 간의 관계를 찾아 최적화된 가격 결정을 내려 매출과 매출을 극대화할 수 있을 것이다.

다음 문서는 다음과 같은 질문에 답합니다.

  • 이 요리법은 누구를 위해 만들어졌나요?
  • 이 요리법은 어떤 역할을 하나요?
  • 시작하려면 어떻게 해야 합니까?

이 요리법은 누구를 위해 만들어졌나요?

소매업체는 현재 시장에서 경쟁력을 유지하기 위해 많은 도전에 직면해 있습니다. 귀하의 브랜드는 귀하의 소매 브랜드의 연간 판매를 증진시키려고 하지만 운영 비용을 최소화하기 위해 결정해야 할 많은 결정이 있습니다. 공급이 너무 많으면 재고비용이 증가하는 반면 공급이 너무 적으면 다른 브랜드에 고객을 빼앗길 위험이 커진다. 앞으로 몇 달 동안 물량을 더 주문해야 하나요? 주별 판매 목표를 유지하기 위해 제품에 대한 최적의 가격을 어떻게 결정합니까?

이 요리법은 어떤 역할을 하나요?

소매 판매 예측 레시피는 판매 트렌드를 예측하기 위해 머신 러닝을 사용한다. 레시피는 풍부한 역사적 소매 데이터와 맞춤형 기울기 상승 회귀 또는 머신 러닝 알고리즘을 활용하여 1주일 전에 판매를 예측함으로써 이를 실현합니다. 이 모델은 과거 구매 내역을 활용하고 데이터 과학자가 결정한 사전 결정된 구성 매개 변수로 기본값을 설정하여 예측 정확도를 향상시킵니다.

시작하려면 어떻게 해야 합니까?

다음을 수행하여 시작할 수 있습니다. 튜토리얼.

이 튜토리얼에서는 Jupyter Notebook에서 소매 판매 레시피를 만들고, Notebook을 사용하여 Adobe Experience Platform에서 레시피를 만드는 레시피 워크플로우를 살펴봅니다.

데이터 스키마

이 레시피는 다음을 사용합니다. XDM 스키마 를 클릭하여 데이터를 모델링합니다. 이 레시피에 사용되는 스키마는 아래에 표시되어 있습니다.

필드 이름
유형
날짜
문자열
스토어
정수
storeType
문자열
weeklySales
숫자
storeSize
정수
온도
숫자
지역 연료 가격
숫자
Markdown
숫자
cpi
숫자
실업
숫자
isHoliday
부울

알고리즘

먼저, 의 교육 데이터 세트 DSWRetailSales 스키마가 로드되었습니다. 여기에서 모델은 다음을 사용하여 교육됩니다. 그레이디언트 부스팅 회귀 알고리즘. 그레이디언트 부스팅은 약한 학습자(무작위 찬스보다 적어도 약간 나은 학습자)가 이전의 학습자의 약점을 개선하는 데 초점을 맞춘 학습자의 연속을 형성할 수 있다는 아이디어를 사용한다. 이들을 함께 사용하여 강력한 예측 모델을 만들 수 있습니다.

이 과정은 손실 함수, 약한 학습자, 가산 모형의 세 가지 요소를 포함한다.

손실 함수는 예상 결과를 예측할 수 있다는 측면에서 예측 모델이 얼마나 잘하는지에 대한 척도를 나타냅니다. 이 레시피에서는 최소 제곱 회귀가 사용됩니다.

그레이디언트 부스팅에서는 학습자 약자로 의사결정 트리를 사용한다. 일반적으로 제한된 수의 레이어, 노드 및 분할이 있는 트리는 학습자가 취약한 상태를 유지하도록 하는 데 사용됩니다.

마지막으로, 가산 모형을 이용한다. 손실 함수로 손실을 계산한 후 손실을 줄이는 트리를 선택하고 가중치를 두어 더 어려운 관측치의 모델링을 개선한다. 그런 다음 가중 트리의 출력은 모델의 최종 출력 - 미래 판매 수량 을 개선하기 위해 기존 트리 시퀀스에 추가됩니다.

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9