原文链接 http://tecdat.cn/?p=1130
最近咱们被客户要求撰写对于销售工夫序列预测的钻研报告,包含一些图形和统计输入。
现在 DT(数据技术)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
扎对 ,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,都有一个缘,只不过 SVM 的保证金是把两种类型离开,而 SVR 的保证金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 测试和业务人员的倡议改良模型
点击题目查阅往期内容
数据分享 | R 语言剖析上海空气质量指数数据:kmean 聚类、档次聚类、工夫序列剖析:arima 模型、指数平滑法
左右滑动查看更多
01
02
03
04
从上图能够看出,在此案例中,反对向量机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。
点击文末 “浏览原文”
获取全文残缺材料。
本文选自《机器学习助推快时尚精准销售工夫序列预测》。
点击题目查阅往期内容
Python 中利用长短期记忆模型 LSTM 进行工夫序列预测剖析 – 预测电力负荷数据
RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情 COVID-19 股票价格预测:ARIMA,KNN 和神经网络工夫序列剖析
深度学习:Keras 应用神经网络进行简略文本分类剖析新闻组数据
用 PyTorch 机器学习神经网络分类预测银行客户散失模型
PYTHON 用 LSTM 长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python 用 Keras 神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R 语言中的神经网络预测工夫序列:多层感知器(MLP)和极限学习机(ELM)数据分析报告
R 语言深度学习:用 keras 神经网络回归模型预测工夫序列数据
Matlab 用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
R 语言 KERAS 深度学习 CNN 卷积神经网络分类辨认手写数字图像数据(MNIST)
MATLAB 中用 BP 神经网络预测人体脂肪百分比数据
Python 中用 PyTorch 机器学习神经网络分类预测银行客户散失模型
R 语言实现 CNN(卷积神经网络)模型进行回归数据分析
SAS 应用鸢尾花 (iris) 数据集训练人工神经网络 (ANN) 模型
【视频】R 语言实现 CNN(卷积神经网络)模型进行回归数据分析
Python 应用神经网络进行简略文本分类
R 语言用神经网络改良 Nelson-Siegel 模型拟合收益率曲线剖析
R 语言基于递归神经网络 RNN 的温度工夫序列预测
R 语言神经网络模型预测车辆数量工夫序列
R 语言中的 BP 神经网络模型剖析学生问题
matlab 应用长短期记忆(LSTM)神经网络对序列数据进行分类
R 语言实现拟合神经网络预测和后果可视化
用 R 语言实现神经网络预测股票实例
应用 PYTHON 中 KERAS 的 LSTM 递归神经网络进行工夫序列预测
python 用于 NLP 的 seq2seq 模型实例: 用 Keras 实现神经网络机器翻译
用于 NLP 的 Python:应用 Keras 的多标签文本 LSTM 神经网络分类