Использование машинного обучения для прогнозирования продаж в магазинах Rossmann

Машинное обучение для прогнозирования продаж: прогнозирование продаж в магазинах Rossmann

Введение

Прогнозирование продаж имеет решающее значение для бизнеса, позволяя им оптимизировать цепочки поставок, планировать персонал и принимать обоснованные решения. Машинное обучение (МО) предоставляет мощные инструменты для прогнозирования продаж, используя исторические данные для выявления закономерностей и прогнозирования будущих результатов.

В этом проекте мы применили машинное обучение для прогнозирования продаж в магазинах Rossmann, используя набор данных о продажах и сопутствующей информации. Мы использовали различные модели машинного обучения, включая линейную регрессию, деревья решений и случайные леса, для поиска наилучшей модели для прогнозирования.

Данные

Набор данных Rossmann Store Sales содержит информацию о ежедневных продажах и сопутствующей информации в 1115 магазинах в Германии с января 2013 года по март 2017 года. Набор данных включает в себя следующие характеристики:

• Дата: Дата продажи
• Штор: Идентификатор магазина
• Товары: Идентификатор товара
• Проданные: Количество проданных единиц
• Цена: Цена за единицу
• Промоции: Индикатор наличия специальных акций
• Школьные каникулы: Индикатор школьных каникул
• Государственные праздники: Индикатор государственного праздника
• День недели: День недели
• Неделя года: Неделя года

Методология

Мы применили следующий процесс для прогнозирования продаж:

1. Предобработка данных: Мы очистили данные, удалив выбросы и дубликаты. Мы также закодировали категориальные признаки, такие как Школа и Каникулы, с помощью фиктивных переменных.
2. Разделение данных: Мы разделили набор данных на обучающий и тестовый наборы в соотношении 80/20. Обучающий набор использовался для обучения моделей машинного обучения, а тестовый набор использовался для оценки их производительности.
3. Моделирование: Мы обучили несколько моделей машинного обучения, включая линейную регрессию, деревья решений и случайные леса. Мы настроили параметры каждой модели для повышения производительности.
4. Оценивание: Мы оценили производительность каждой модели с помощью следующих метрик:
   • Средняя абсолютная ошибка (MAE)
   • Средняя квадратичная ошибка (MSE)
   • Корреляция Пирсона
5. Выбор лучшей модели: Мы выбрали модель, которая обеспечила наилучшие показатели на тестовом наборе.

Результаты

Мы обнаружили, что модель случайного леса показала наилучшие результаты при прогнозировании продаж. Она достигла следующих метрик:

• MAE: 952
• MSE: 1,4 млн.
• Корреляция Пирсона: 0,95

Вывод

Машинное обучение оказалось мощным инструментом для прогнозирования продаж в магазинах Rossmann. Мы успешно обучили модель случайного леса, которая смогла точно прогнозировать будущие продажи. Полученную модель можно использовать для оптимизации цепочек поставок, планирования персонала и принятия обоснованных решений.

Наше исследование подчеркивает потенциал машинного обучения в улучшении прогнозирования продаж и поддержки компаний в принятии более эффективных решений.