- 就像你看到的那样?LetsTalkUrl让我们谈谈
我们很容易从历史数据中看出当前需求的实际情况。但是,要得出一个使用相同数据来正确识别未来还会重复出现的模式的模型就更加困难了。我们的一个零售客户面临着这样的挑战:找到一种基于需求历史和不断变化的市场、渠道和销售生态系统现实的自动化需求预测方法。
85%
通过频道,产品类别和时间段预测销售额超过85%
达到短期阶数的能力更好;然后简化预算,销售计划和仓储运营
帮助轻而易举地发现畅销书;推动收入增长,改善商品和季节性计划,简化履行和改善库存状况,使潜在收入增长1%至2%
在平台中建立了一个解决方案
为经销商,品牌和零售商设计,测试和推出 - 自动化需求预测模型(作为预先集成的分析解决方案套件的一部分),基于不同的参数,如渠道,类别和SKU以及来自的数据宏观生态系统
该模型赋予商品规划者,具有渠道 - 明智的交通和需求的整体观点实时观点
收获的整体需求情报:
需求是由市场情绪和由营销推广引起的商业驱动的变化所决定的。当所有的变化因素都整合在一起时,预测方法可以以更高的精度衡量需求。我们提取了历史销售数据来分析销售与变量之间的因果关系,这些变量包括季节、每月的哪一周、哪一天、每天的时间、假期、庆祝活动和季末促销活动。我们分析了主SKU和聚合周期水平的需求,以确定最适合的统计方法和时间范围,以最小的预测误差预测需求趋势。探索性数据分析(EDA)提出了一种很好的方法来分解数据集并构建预测模型。
将洞见转化为预测:
我们采用了多个时间序列模型,以确保所有相关参数,包括复杂的排列,如渠道和类别,在每个预测级别考虑。我们还在R和Tableau中创建了plot,从EDA中提取见解,提高了建模的准确性。我们使用汽车。Arima, STLF和ETS函数在R中生成点预测,实际预测,预测值的平均值,以及TBATS时间序列分解方法来测量不同的成分和破译模式。我们选择最合适的时间序列技术来预测多维数据,并采用集成机器学习算法来吸收新的数据点,提高预测的可信度。
建立知情的业务计划:
我们构建了一个即插即用的需求建模工具,以交付用于运营计划的商业智能。当前销售和未来需求的仪表盘使商品规划者可以随时随地查看渠道流量,以及需求的高峰和低谷。
下一个案例研究