共计 1886 个字符，预计需要花费 5 分钟才能阅读完成。
原文链接 http://tecdat.cn/?p=1130
现在 DT(Data technology) 时代，数据变得越来越重要，其外围利用”预测“也成为互联网行业以及产业改革的重要力量。对于批发行业来说，预测简直是商业智能（BI）钻研的终极问题，单纯从机器学习的角度来说，做到精准预测很容易，然而联合业务进步企业利润却很难。预测精确性是外围痛点。
业务挑战
针对服装这类的时尚产业的客户需要，咱们参考 ZARA，将产品粗略分为: 根本款和时装。对于根本款，每年都没什么大变动，国内风行的影响也不大，那么能够进行长打算生产。对于时装，决定潮流走向的决策权不在某个区域，一个中央的买手们也没有成长到能够精确预判国内风行趋势，所以须要联合不同区域的各种因素，进行预测。对应的，在新货形成中，销量预测策略为：根本款打算生产，时尚款机动调整。
解决方案
工作 / 指标
依据服装批发业务营销要求，使用多种数据源剖析实现精准销量预测。
数据源筹备
沙子进来沙子出，金子进来金子出。无数据或数据品质低，会影响模型预测成果。在建设的一个正当的模型之前，对数据要进行收集，收集除已有销量数据之外的额定信息（比方天气、地点、节假日信息等），再在收集的数据根底上进行预处理。
有了数据，然而有一部分特色是算法不能间接解决的，还有一部分数据是算法不能间接利用的。
特色转换
把不能解决的特色做一些转换，解决成算法容易解决的洁净特色。举例如下：
销售日期。就工夫属性自身来说，对模型来说不具备任何意义，须要把日期转变成到年份、月份、日、周伪变量。
产品特色。从产品信息表外面能够失去样式、色彩、质地以及这款产品是否是限量版等。然而并没有这些变量。这就须要咱们从产品名字抽取这款产品的上述特色。
以上例举的只是局部特色。
结构
以上阐明了如何抽取相干特色，咱们大抵有如下训练样本（只列举局部特色）。
划分训练集和测试集
思考到最终模型会预测未来的某时间段的销量，为了更实在的测试模型成果，以工夫来切分训练集和测试集。具体做法如下：假如咱们有 2014-02-01 ~ 2017-06-17 的销量相干数据。以 2014-02-01 ~ 2016-03-19 的销量数据作为训练，2016-03-20~2017-06-17 的数据作为测试。
建模
ARIMA，个别利用在股票和电商销量畛域
ARIMA 模型是指将非安稳工夫序列转化为安稳工夫序列，而后将后果变量做自回归（AR）和自平移（MA）。
随机森林
用随机的形式建设一个森林，森林由很多决策树组成，随机森林的每一棵决策树之间是没有关联的。在失去森林之后，当有一个新的输出样本进入的时候，就让森林中的每一棵决策树别离进行一下判断，看看这个样本应该属于哪一类（对于分类算法），而后看看哪一类被抉择最多，就预测这个样本为那一类。
反对向量回归（SVR）
SVR 最实质与 SVM 相似，都有一个 margin，只不过 SVM 的 margin 是把两种类型离开，而 SVR 的 margin 是指外面的数据会不会对回归有帮忙。
模型优化
1. 上线之前的优化：特征提取，样本抽样，参数调参。
2. 上线之后的迭代，依据理论的 A /B testing 和业务人员的倡议改良模型
从上图能够看出，在此案例中，svm 和随机森林算法模型的预测误差最小，使用 3 种办法预测某商品的销量，其可视化图形如下：
能够看出，销量的预测值的趋势曾经根本与实在销量趋势保持一致，然而在预测期较长的区间段，其预测值之间的差异较大。
评估成果不能只看销量，要综合思考，须要参考业务对接、预测精度、模型可解释性和产业链整体能力等因素综合思考；不能简略作为企业利润减少的唯一标准。咱们的教训是，预测后果仅作为参考一个权重值，还须要专家意见，依照肯定的权重来计算。
瞻望
除了以上列举的一些办法，咱们曾经在尝试更简单的销售预测模型，如 HMM、深度学习（Long Short-Term Memory 网络、卷积神经网络（CNN））等；同时须要思考到模型的可解释性、可落地性和可扩展性、防止“黑箱”预测；还在尝试采纳混合的机器学习模型，比方 GLM+SVR，ARIMA + NNET 等。
销售预测简直是商业智能钻研的终极问题，即使通过机器学习算法模型可能进步测试集的预测精度，然而对于将来数据集的预测，想做到精准预测以使企业利润最大化，还须要思考机器学习模型之外的企业自身因素。比方，企业的整体供应链能力等，如何将企业因素退出到机器学习模型之中，是将来预销售预测的一个难点与方向。因而，要想解决销售预测终极问题还有一段路要走。
点击“浏览原文”下载浏览报告全文。
原文出处：http://tecdat.cn/category/ 大数据部落 /
