基于機(jī)器學(xué)習(xí)對(duì)銷(xiāo)量預(yù)測(cè)研究

1、基于機(jī)器學(xué)習(xí)方法對(duì)銷(xiāo)售預(yù)測(cè)的研究銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)CONTENTS0102 銷(xiāo)售預(yù)測(cè)四大步驟銷(xiāo)售預(yù)測(cè)四大步驟03 銷(xiāo)售預(yù)測(cè)基本方法銷(xiāo)售預(yù)測(cè)基本方法04 銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)05 某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享銷(xiāo)售預(yù)測(cè)全景圖銷(xiāo)售預(yù)測(cè)全景圖供貨鏈條供貨鏈條送貨時(shí)間、送貨地點(diǎn)、是否包郵等物流物流市場(chǎng)營(yíng)銷(xiāo)市場(chǎng)營(yíng)銷(xiāo)促銷(xiāo)方案促銷(xiāo)方案商品減價(jià)、商品促銷(xiāo)、組合銷(xiāo)售等生成和采購(gòu)生成和采購(gòu)合理安排生成和采購(gòu)的時(shí)間節(jié)點(diǎn)，優(yōu)化庫(kù)存庫(kù)存庫(kù)存財(cái)務(wù)財(cái)務(wù)管理管理財(cái)務(wù)和會(huì)計(jì)財(cái)務(wù)和會(huì)計(jì)實(shí)時(shí)反饋公司財(cái)務(wù)報(bào)表，監(jiān)控公司資金流動(dòng)管理銷(xiāo)售預(yù)測(cè)的現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)的現(xiàn)

2、狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)是完善客戶(hù)需求管理、指導(dǎo)運(yùn)營(yíng)、以提高企業(yè)利潤(rùn)為最終目的商業(yè)問(wèn)題。而預(yù)測(cè)的精確性預(yù)測(cè)的精確性是銷(xiāo)售預(yù)測(cè)的核心痛點(diǎn)。銷(xiāo)售預(yù)測(cè)的痛點(diǎn)銷(xiāo)售預(yù)測(cè)的痛點(diǎn)商業(yè)環(huán)境因素眾多，變化極快，難以及時(shí)把握和分析供應(yīng)鏈整體水平低，導(dǎo)致貨物積壓嚴(yán)重產(chǎn)品定價(jià)、商品服務(wù)的單一性，導(dǎo)致企業(yè)競(jìng)爭(zhēng)力小變化模式變化模式預(yù)測(cè)的基本思想預(yù)測(cè)的基本思想預(yù)測(cè)是通過(guò)歷史數(shù)據(jù)或其他外部因素構(gòu)建模型、學(xué)習(xí)其變化“模式”，利用該“模式”對(duì)未來(lái)事物進(jìn)行預(yù)測(cè)的一個(gè)過(guò)程。特點(diǎn)特點(diǎn)：短期預(yù)測(cè)的精度要遠(yuǎn)遠(yuǎn)高于長(zhǎng)期預(yù)測(cè)。業(yè)務(wù)理論業(yè)務(wù)理論數(shù)據(jù)量數(shù)據(jù)量假設(shè)銷(xiāo)售預(yù)測(cè)體系框架銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)CONTENTS0102 銷(xiāo)售預(yù)測(cè)四大步驟

3、銷(xiāo)售預(yù)測(cè)四大步驟03 銷(xiāo)售預(yù)測(cè)基本方法銷(xiāo)售預(yù)測(cè)基本方法04 銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)05 某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享收集數(shù)據(jù)收集數(shù)據(jù)確定預(yù)測(cè)對(duì)象、預(yù)測(cè)目標(biāo)和需求；預(yù)測(cè)周期：短、中和長(zhǎng)期需求與預(yù)測(cè)精度的權(quán)衡準(zhǔn)確性與可解釋性的權(quán)衡預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)收集數(shù)據(jù)、整理指標(biāo)體系數(shù)據(jù)描述與數(shù)據(jù)探索數(shù)據(jù)預(yù)處理評(píng)價(jià)指標(biāo)評(píng)價(jià)指標(biāo)算法的選擇模型的訓(xùn)練與預(yù)測(cè)過(guò)擬合問(wèn)題的處理建立建模建立建模RMSE、MAPE等定量評(píng)價(jià)指標(biāo)AIC、BIC等模型評(píng)價(jià)指標(biāo)需求探索開(kāi)發(fā)完善預(yù)測(cè)的基本步驟預(yù)測(cè)的基本步驟預(yù)測(cè)目標(biāo)預(yù)測(cè)目標(biāo)預(yù)測(cè)對(duì)象：預(yù)測(cè)對(duì)象：性質(zhì)、結(jié)構(gòu)、業(yè)務(wù)場(chǎng)景等預(yù)測(cè)時(shí)間：預(yù)測(cè)時(shí)間

4、：短期預(yù)測(cè)、中期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)等精確性可解釋性時(shí)間數(shù)據(jù)量少于5天大于4周或1個(gè)月短期預(yù)測(cè)短期預(yù)測(cè)長(zhǎng)期預(yù)測(cè)中期預(yù)測(cè)介于兩者之間業(yè)務(wù)目標(biāo)：業(yè)務(wù)目標(biāo)：準(zhǔn)確性和模型可解釋性的匹配度數(shù)據(jù)探索對(duì)數(shù)據(jù)檢查和理解：比如庫(kù)存量為負(fù)值、星期數(shù)大于8等對(duì)結(jié)果變量的分析：包括分布、趨勢(shì)性、周期性等對(duì)預(yù)測(cè)變量的分析：包括變量篩選、多重共線(xiàn)性、相關(guān)性數(shù)據(jù)預(yù)處理中心化和標(biāo)準(zhǔn)化缺失值處理：鄰近插補(bǔ)、多重插補(bǔ)、線(xiàn)性插補(bǔ)等數(shù)據(jù)轉(zhuǎn)換：取對(duì)數(shù)、Box-Cox變換離群點(diǎn)處理數(shù)據(jù)降維和特征選擇：PCA、AIC/BIC等收集數(shù)據(jù)或理解數(shù)據(jù)收集數(shù)據(jù)或理解數(shù)據(jù)數(shù)據(jù)搜集目標(biāo)數(shù)據(jù)（內(nèi)部數(shù)據(jù)、外部數(shù)據(jù)）額外數(shù)據(jù)：天氣、經(jīng)緯度、節(jié)假日、CPI指數(shù)等時(shí)

5、期變量2015-05-2310.02015-05-2410.02016-05-099.82016-05-109.8時(shí)期變量2015-05-23NA2015-05-2410.02016-05-099.82016-05-10NA處理之前處理之后收集數(shù)據(jù)或理解數(shù)據(jù)收集數(shù)據(jù)或理解數(shù)據(jù)數(shù)據(jù)預(yù)處理的缺失值部分?jǐn)?shù)據(jù)預(yù)處理的缺失值部分處理缺失值的兩大類(lèi)方法：（1） 直接刪除缺失的預(yù)測(cè)變量（2） 利用不同的方法對(duì)預(yù)測(cè)變量的缺失值進(jìn)行插補(bǔ)，插補(bǔ)方法有：均值插補(bǔ)、多重插補(bǔ)、隨機(jī)插補(bǔ)、K近鄰插補(bǔ)、線(xiàn)性插補(bǔ)等。注意：一般對(duì)于帶有時(shí)間戳的時(shí)序變量，考慮到變量的時(shí)效性和經(jīng)濟(jì)因素，通常采用鄰近插補(bǔ)法或者線(xiàn)性插補(bǔ)。一個(gè)需要進(jìn)行

6、數(shù)據(jù)變換的原因是去除分布的偏度。一個(gè)無(wú)偏分布是大致對(duì)稱(chēng)的分布，這意味著隨機(jī)變量落入分布均值兩側(cè)的概率大體一致。數(shù)據(jù)變換一般有兩種方法：（1） 對(duì)數(shù)據(jù)做變換，如取對(duì)數(shù)、平方根或倒數(shù)（2） Box-Cox變換收集數(shù)據(jù)或理解數(shù)據(jù)收集數(shù)據(jù)或理解數(shù)據(jù)數(shù)據(jù)預(yù)處理的數(shù)據(jù)變換部分?jǐn)?shù)據(jù)預(yù)處理的數(shù)據(jù)變換部分銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)CONTENTS0102 銷(xiāo)售預(yù)測(cè)四大步驟銷(xiāo)售預(yù)測(cè)四大步驟03 銷(xiāo)售預(yù)測(cè)基本方法銷(xiāo)售預(yù)測(cè)基本方法04 銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)05 某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享主觀預(yù)測(cè)專(zhuān)家法時(shí)間序列指數(shù)平滑法自回歸移動(dòng)模型銷(xiāo)售預(yù)測(cè)的基本方法

7、銷(xiāo)售預(yù)測(cè)的基本方法機(jī)器學(xué)習(xí)線(xiàn)性回歸決策樹(shù)隨機(jī)森林xgboost神經(jīng)網(wǎng)絡(luò)支持向量回歸時(shí)間銷(xiāo)量銷(xiāo)量時(shí)間根據(jù)過(guò)去經(jīng)驗(yàn)經(jīng)驗(yàn)專(zhuān)家法專(zhuān)家法專(zhuān)家預(yù)測(cè)法： 由專(zhuān)家根據(jù)他們的經(jīng)驗(yàn)和判斷能力對(duì)待定產(chǎn)品的未來(lái)銷(xiāo)售進(jìn)行判斷和預(yù)測(cè)，通常有三種不同的形式：（1）個(gè)別專(zhuān)家意見(jiàn)匯集法（2）專(zhuān)家小組法（3）德?tīng)柗品▋?yōu)點(diǎn)： 簡(jiǎn)單、快速缺點(diǎn)： 準(zhǔn)確率低、受人的主觀影響大指數(shù)平滑遵循“重近輕遠(yuǎn)”原則，對(duì)全部歷史數(shù)據(jù)采用逐步衰減的不等加權(quán)辦法進(jìn)行數(shù)據(jù)處理的一種預(yù)測(cè)方法。基本公式：+1 = + (1 )1其中，是時(shí)間的時(shí)間值；是平滑常數(shù)，其取值范圍為0, 1。優(yōu)點(diǎn)：簡(jiǎn)單、適合趨勢(shì)預(yù)測(cè)、模糊預(yù)測(cè)缺點(diǎn)： 準(zhǔn)確率不高、需要趨勢(shì)性較好的數(shù)據(jù)指數(shù)

8、平滑法指數(shù)平滑法ARIMA模型是指將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，然后將結(jié)果變量做自回歸（AR）和自平移（MA）。自回歸移動(dòng)模型（自回歸移動(dòng)模型（ARIMA）訓(xùn)練集測(cè)試集機(jī)器學(xué)習(xí)算法模型參數(shù)模型評(píng)估特征篩選預(yù)測(cè)Y值真實(shí)Y值YX樣本數(shù)據(jù)銷(xiāo)售量影響銷(xiāo)售量的因素機(jī)器學(xué)習(xí)的實(shí)現(xiàn)流程機(jī)器學(xué)習(xí)的實(shí)現(xiàn)流程使用機(jī)器學(xué)習(xí)的有監(jiān)督學(xué)習(xí)對(duì)進(jìn)行銷(xiāo)量變化進(jìn)行建模，依據(jù)建模結(jié)果來(lái)預(yù)測(cè)未來(lái)銷(xiāo)量值。其實(shí)現(xiàn)流程如下：(X,Y)（4） 模型選擇，如隨機(jī)森林、LASSO等模型輸出x3x4x2x4x1x6x5x3x1x6x5特征篩選特征篩選特征篩選是一類(lèi)預(yù)測(cè)變量變換的方法，通過(guò)這種方式，能夠用更具有信息量的變量來(lái)構(gòu)建模型，排除無(wú)

9、信息量的變量的噪聲干擾，提高模型穩(wěn)健性。常用的特征篩選方法：（1） 相關(guān)性等統(tǒng)計(jì) 閾值過(guò)濾（2） 信息增益、信息增益率、基尼系數(shù)等 閾值過(guò)濾（3） 向前、向后和逐步選擇法，如AIC/BIC準(zhǔn)則 最小值原理簡(jiǎn)介：原理簡(jiǎn)介：通過(guò)結(jié)果變量與預(yù)測(cè)變量直接建立線(xiàn)性關(guān)系數(shù)值型回歸優(yōu)點(diǎn)：優(yōu)點(diǎn)：模型可解釋性強(qiáng)線(xiàn)性回歸模型：廣義線(xiàn)性模型線(xiàn)性回歸模型：廣義線(xiàn)性模型線(xiàn)性模型隨機(jī)分布指數(shù)分布、泊松分布等線(xiàn)性回歸 = 0 + 1 1 + 2 2 + + Y為銷(xiāo)量值，X為預(yù)測(cè)變量，N為預(yù)測(cè)變量個(gè)數(shù)，為參數(shù)激活函數(shù)激活函數(shù)：sigmod, log函數(shù)等缺點(diǎn)：缺點(diǎn)： 只適用于線(xiàn)性規(guī)律邏輯回歸邏輯回歸原理簡(jiǎn)介：原理簡(jiǎn)介：通過(guò)訓(xùn)

10、練數(shù)據(jù)，形成if-then規(guī)則集合由根節(jié)點(diǎn)到葉節(jié)點(diǎn)的每一條路徑構(gòu)成規(guī)則對(duì)結(jié)果變量有主要解釋作用的特征會(huì)先分裂形成規(guī)則回歸樹(shù)用平方誤差最小化準(zhǔn)則，節(jié)結(jié)點(diǎn)為單元內(nèi)數(shù)值的平均值優(yōu)點(diǎn)：優(yōu)點(diǎn)： 可擬合非線(xiàn)性規(guī)律，計(jì)算復(fù)雜度較低缺點(diǎn)：缺點(diǎn)：容易出現(xiàn)過(guò)擬合決策樹(shù)（回歸樹(shù)）決策樹(shù)（回歸樹(shù)）妹紙?jiān)u分：0,10五官端正五官端正是否身材身材好是否有錢(qián)是否有錢(qián)是9否53不好7隨機(jī)森林隨機(jī)森林原理簡(jiǎn)介：原理簡(jiǎn)介： 是包含多個(gè)回歸樹(shù)的組合器 輸出的數(shù)值是由個(gè)別樹(shù)輸出的數(shù)值的平均而定優(yōu)點(diǎn)：優(yōu)點(diǎn)： 準(zhǔn)確度高 訓(xùn)練速度快 容易做出并行算法 可處理大量變量并評(píng)估變量重要性缺點(diǎn)：缺點(diǎn)： 在噪聲較大的數(shù)據(jù)上會(huì)有過(guò)擬合問(wèn)題xgboos

11、txgboost + 2 xgboost目標(biāo)函數(shù)去掉常數(shù)項(xiàng)：() =112+ ( )找到那顆樹(shù) ，使得目標(biāo)函數(shù)達(dá)到最優(yōu)即可。原理簡(jiǎn)介：原理簡(jiǎn)介： 是基于傳統(tǒng)的GBDT上做了一些優(yōu)化的開(kāi)源工具包，目前有python,R,Java版。優(yōu)點(diǎn)：優(yōu)點(diǎn)： 高速準(zhǔn)確 可移植，可以自己定義假設(shè)函數(shù) 可容錯(cuò)神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò) = f(X)（非線(xiàn)性映射）原理簡(jiǎn)介：原理簡(jiǎn)介： 是利用一系列非線(xiàn)性回歸，將預(yù)測(cè)變量映射到結(jié)果變量的一種方法。優(yōu)點(diǎn)：優(yōu)點(diǎn)： 準(zhǔn)確度高 訓(xùn)練速度快 并行處理能力強(qiáng)缺點(diǎn)：缺點(diǎn)： 需要大量的參數(shù) 不能觀察學(xué)習(xí)的過(guò)程，對(duì)結(jié)果難以解釋支持向量回歸（支持向量回歸（SVR）原理簡(jiǎn)介：原理簡(jiǎn)介： 是通過(guò)尋求結(jié)

12、構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍最小化，從而達(dá)到獲得良好統(tǒng)計(jì)規(guī)律的目的優(yōu)點(diǎn)：優(yōu)點(diǎn)： 可以解決小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題 可以解決高維、非線(xiàn)性問(wèn)題缺點(diǎn)：缺點(diǎn)： 對(duì)非線(xiàn)性問(wèn)題沒(méi)有通用解決方案，對(duì)核函數(shù)的選擇非常敏感SVR最本質(zhì)與SVM類(lèi)似，都有一個(gè)margin，只不過(guò)SVM的margin是把兩種類(lèi)型分開(kāi)，而SVR的margin是指里面的數(shù)據(jù)不會(huì)對(duì)回歸有任何幫助。銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)CONTENTS0102 銷(xiāo)售預(yù)測(cè)四大步驟銷(xiāo)售預(yù)測(cè)四大步驟03 銷(xiāo)售預(yù)測(cè)基本方法銷(xiāo)售預(yù)測(cè)基本方法04 銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)05 某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例

13、分享某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享模型評(píng)估方法：模型評(píng)估方法： k 折交叉驗(yàn)證法折交叉驗(yàn)證法K折交叉驗(yàn)證法折交叉驗(yàn)證法 在k-折交叉驗(yàn)證中，初試數(shù)據(jù)被劃分成k個(gè)互不相交的子集或“折”，每個(gè)折的大小大致相等。訓(xùn)練和測(cè)試k次。在第i次迭代中，第i折用作測(cè)試集，其余的子集都用于訓(xùn)練分類(lèi)法。 準(zhǔn)確率估計(jì)是k次迭代正確分類(lèi)數(shù)除以初始數(shù)據(jù)中的樣本總數(shù)。數(shù)據(jù)S1S2Sk測(cè)試集訓(xùn)練集導(dǎo)出回歸法評(píng)估精度模型評(píng)估方法：模型評(píng)估方法： k 折交叉驗(yàn)證法折交叉驗(yàn)證法K折交叉驗(yàn)證法折交叉驗(yàn)證法 在k-折交叉驗(yàn)證中，初試數(shù)據(jù)被劃分成k個(gè)互不相交的子集或“折”，每個(gè)折的大小大致相等。訓(xùn)練和測(cè)試k次。在第i次迭代中，第i折用作測(cè)

14、試集，其余的子集都用于訓(xùn)練分類(lèi)法。 準(zhǔn)確率估計(jì)是k次迭代正確分類(lèi)數(shù)除以初始數(shù)據(jù)中的樣本總數(shù)。數(shù)據(jù)S1S2Sk測(cè)試集訓(xùn)練集導(dǎo)出回歸法評(píng)估精度模型評(píng)估方法：模型評(píng)估方法： k 折交叉驗(yàn)證法折交叉驗(yàn)證法K折交叉驗(yàn)證法折交叉驗(yàn)證法 在k-折交叉驗(yàn)證中，初試數(shù)據(jù)被劃分成k個(gè)互不相交的子集或“折”，每個(gè)折的大小大致相等。訓(xùn)練和測(cè)試k次。在第i次迭代中，第i折用作測(cè)試集，其余的子集都用于訓(xùn)練分類(lèi)法。 準(zhǔn)確率估計(jì)是k次迭代正確分類(lèi)數(shù)除以初始數(shù)據(jù)中的樣本總數(shù)。數(shù)據(jù)S1S2Sk測(cè)試集訓(xùn)練集導(dǎo)出回歸法評(píng)估精度=1()=1() = 2 其中，為第i個(gè)樣本的真實(shí)值，為第i個(gè)樣本的預(yù)測(cè)值，n為樣本量。 有時(shí)也用 =2來(lái)評(píng)

15、估回歸模型的準(zhǔn)確率，與RMSE效果相同。模型評(píng)估指標(biāo)：模型評(píng)估指標(biāo)： RMSE（均方根誤差）（均方根誤差）RMSE 與分類(lèi)模型不同，回歸模型是對(duì)連續(xù)的因變量進(jìn)行預(yù)測(cè)，因此判斷回歸模型的準(zhǔn)確率需要考慮的是預(yù)測(cè)值與真實(shí)值之間差異的大小。模型評(píng)估指標(biāo)：模型評(píng)估指標(biāo)： AIC & BICAIC準(zhǔn)則是評(píng)估統(tǒng)計(jì)模型的復(fù)雜度和衡量統(tǒng)計(jì)模型擬合優(yōu)度的一種標(biāo)準(zhǔn): = 2ln + 2 其中L是在相應(yīng)模型下的最大似然估計(jì)值，p是模型的變量個(gè)數(shù)。 增加變量的數(shù)目提高了擬合的優(yōu)良性，但可能造成過(guò)度擬合的情況。AIC鼓勵(lì)數(shù)據(jù)擬合的優(yōu)良性但是盡量避免出現(xiàn)過(guò)度擬合（overfitting）的情況。 AIC值越小，模型

16、越好。AIC準(zhǔn)則是尋找可以最好地解釋數(shù)據(jù)但包含最少自由參數(shù)的模型。 BIC準(zhǔn)則是依貝葉斯理論提出的一種模型選擇準(zhǔn)則。 = 2ln + ln() 其中L是在相應(yīng)模型下的最大似然估計(jì)值，n是樣本量，p是模型的變量個(gè)數(shù)。 BIC值越小，模型越好。 AIC準(zhǔn)則傾向于過(guò)擬合，BIC準(zhǔn)則傾向于欠擬合，BIC選出的模型相對(duì)于AIC的更為精簡(jiǎn)。銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)銷(xiāo)售預(yù)測(cè)現(xiàn)狀與痛點(diǎn)CONTENTS0102 銷(xiāo)售預(yù)測(cè)四大步驟銷(xiāo)售預(yù)測(cè)四大步驟03 銷(xiāo)售預(yù)測(cè)基本方法銷(xiāo)售預(yù)測(cè)基本方法04 銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)銷(xiāo)售預(yù)測(cè)效果評(píng)估方法與指標(biāo)05 某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享某電商網(wǎng)站銷(xiāo)售預(yù)測(cè)案例分享銷(xiāo)售預(yù)測(cè)的企業(yè)案例分析

17、銷(xiāo)售預(yù)測(cè)的企業(yè)案例分析項(xiàng)目背景某電商平臺(tái)主營(yíng)海外代購(gòu)業(yè)務(wù)，由于海外代購(gòu)物流時(shí)間長(zhǎng)、發(fā)貨時(shí)間慢等因素導(dǎo)致 該電商平臺(tái)存在大量庫(kù)存積壓情況，想通過(guò)銷(xiāo)售預(yù)測(cè)模型改善安排進(jìn)貨、提高發(fā)貨速度以及優(yōu)化庫(kù)存。預(yù)測(cè)某類(lèi)銷(xiāo)量排行Top20某單品未來(lái)7天的銷(xiāo)量情況預(yù)測(cè)目標(biāo)1.收集數(shù)據(jù):18個(gè)月數(shù)據(jù)，樣本513，指標(biāo)722.數(shù)據(jù)探索:與銷(xiāo)量的變量分析3.數(shù)據(jù)預(yù)處理:缺失值、Box-Cox變換、stepBIC等收集數(shù)據(jù)時(shí)間序列方法機(jī)器學(xué)習(xí)算法應(yīng)用模型評(píng)估指標(biāo)可視化展示評(píng)價(jià)指標(biāo)收集數(shù)據(jù)：采集影響商品銷(xiāo)量指標(biāo)維度6維度72指標(biāo)商品銷(xiāo)量指標(biāo)體系季節(jié)特征（季節(jié)特征（1個(gè)）個(gè)）營(yíng)銷(xiāo)推廣（營(yíng)銷(xiāo)推廣（14個(gè)）個(gè)）商品優(yōu)惠 商品搶購(gòu)

18、商品促銷(xiāo) 首頁(yè)廣告商品分銷(xiāo)商品換貨商品退款商品退貨商品復(fù)購(gòu)用戶(hù)評(píng)價(jià)商品稅率商品庫(kù)存商品銷(xiāo)量商品物流商品產(chǎn)地商品供貨節(jié)假日消費(fèi)等級(jí)零售價(jià)格交易價(jià)格交易稅率用戶(hù)行為（用戶(hù)行為（21個(gè)）個(gè)）瀏覽行為 購(gòu)物車(chē)行為咨詢(xún)行為 下單行為收藏行為 支付行為321 商品信息（商品信息（10個(gè)）個(gè)）4價(jià)格變化（價(jià)格變化（13個(gè)）個(gè)） 56商品品牌商品質(zhì)量（商品質(zhì)量（13個(gè)）個(gè)）數(shù)據(jù)探索：節(jié)假日與銷(xiāo)量關(guān)系節(jié)假日變量對(duì)銷(xiāo)量的影響明顯節(jié)假日變量對(duì)銷(xiāo)量的影響明顯數(shù)據(jù)探索：預(yù)測(cè)變量之間的多重共線(xiàn)性結(jié)論：訂單數(shù)、訂單金額和訂單用戶(hù)數(shù)之間相關(guān)性較高！需要過(guò)濾多重共線(xiàn)性！結(jié)論：訂單數(shù)、訂單金額和訂單用戶(hù)數(shù)之間相關(guān)性較高！需要過(guò)濾

19、多重共線(xiàn)性！模型效果：真實(shí)值與預(yù)測(cè)值對(duì)比圖xgboost和隨機(jī)森林的預(yù)測(cè)效果較佳，線(xiàn)性回歸和和隨機(jī)森林的預(yù)測(cè)效果較佳，線(xiàn)性回歸和ARIMA效果較差效果較差應(yīng)用模型：應(yīng)用模型：xgboost紅色點(diǎn)線(xiàn)紅色點(diǎn)線(xiàn)：某商品的真實(shí)銷(xiāo)量綠色點(diǎn)線(xiàn)綠色點(diǎn)線(xiàn)： 某商品的預(yù)測(cè)銷(xiāo)量RMSE（均方根誤差）：3.68837算法名稱(chēng)RMSE性能ARIMA5.32速度較慢，2.5min線(xiàn)性回歸4.28速度快，1min決策樹(shù)5.02速度快，1min隨機(jī)森林2.85速度快，1minxgboost3.68速度適中,1.5min神經(jīng)網(wǎng)絡(luò)4.99速度快，1min支持向量回歸3.27速度快，1min模型評(píng)估：模型評(píng)估：RMSE隨機(jī)森林：隨機(jī)森林：采取的是重抽樣，具有自動(dòng)選擇重要特征的功能，無(wú)需做特征篩選，在一定程度上避免了過(guò)擬合 xgboost: kaggle比賽上表現(xiàn)卓越的算法之一，從本質(zhì)上分析是一個(gè)集成的決策樹(shù)，但是可以讓弱回歸樹(shù)集成成強(qiáng)回歸樹(shù)因此，它們可以在本案例中能夠取得的好預(yù)測(cè)效果而其他算法：而其他算法： 處于數(shù)據(jù)的局限性或模型的參數(shù)未達(dá)到最優(yōu)，會(huì)存在一定的過(guò)擬合，導(dǎo)致預(yù)測(cè)效果相對(duì)較差算法名稱(chēng)預(yù)處理