Show Menu
主题×

零售销售配方

“零售销售”菜谱使您能够预测特定时间段内系统初始的所有商店的销售预测。 通过准确的预测模型,零售商将能够找到需求与定价策略之间的关系并做出优化的定价决策,以最大化销售和收入。
以下文档将回答以下问题:
  • 这个菜谱是给谁做的?
  • 这个菜谱是做什么的?
  • 如何开始?

这个菜谱是给谁做的?

在当前市场中保持竞争力,零售商面临许多挑战。 您的品牌寻求提升零售品牌的年销售额,但需要做出许多决策以最大限度地降低运营成本。 供应过多会增加库存成本,而供应过少会增加将客户流失到其他品牌的风险。 您是否需要在未来几个月订购更多供应? 您如何决定产品的最佳定价以保持每周的销售目标?

这个菜谱是做什么的?

零售销售预测菜谱使用机器学习来预测销售趋势。 该方法通过利用大量历史零售数据和定制梯度来提升回归或机器学习算法,提前一周预测销售额来实现这一点。 该模型利用过去的购买历史和我们的数据科学家确定的预定配置参数的默认值来提高预测准确性。

如何开始?

您可以通过以下教程开始 操作
本教程将介绍如何在Jupyter笔记本中创建零售销售菜谱,以及如何使用笔记本来制作菜谱工作流程在Adobe Experience Platform中创建菜谱。

数据模式

此菜谱使用 XDM模式 ,以模拟数据。 用于此菜谱的模式如下所示:
字段名称
类型
date
字符串
商店
整数
storeType
字符串
weeklySales
数值
storeSize
整数
温度
数值
regionalFuelPrice
数值
标记
数值
cpi
数值
失业
数值
isHoliday
Boolean

算法

首先,加载 DSWRetailSales模式中的培 训数据集。 在此基础上,利用梯度推进回归算法对 模型进行训练 。 “渐变提升”使用的理念是,弱学员(至少比随机机会稍好)可以形成一系列学习者,他们专注于改善前一个学员的弱点。 总之,它们可用于创建强大的预测模型。
该过程涉及三个元素:损失函数、弱学习器和附加模型。
损失函数是指预测模型在能够预测预期结果方面的良好程度的度量——最小二乘回归在该配方中被使用。
在渐变提升中,决策树用作弱学员。 通常,具有受限数量的层、节点和拆分的树用于确保学员保持弱。
最后,采用了加性模型。 在用损失函数计算损失后,选择减少损失的树,并加权,以改进对较难观测的建模。 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。