在过去的文章中，我试图谈论定价的基础知识并为经典零售建立客户决策树 。 在本文中，我将向您介绍一个非常不标准的情况，并尝试说服您使用机器学习并不像看起来那样困难。 本文的技术性较差，更有可能表明您可以从小做起，这已经为企业带来了实实在在的好处。
最初的问题
例如，在我们的大陆上，有一家连锁店每周都会更改其商品种类，例如，首先出售包包 ，然后再出售男士运动服。 所有未售出的货物都被送到仓库，六个月后又再次回到商店。 同时，商店有大约6种不同类别的商品。 即 每周的商店分类如下：
该网络要求有一个范围计划系统，该系统具有为类别管理者提供分析决策支持的先决条件。 与业务部门交谈之后，我们提出了两个非常快速的潜在解决方案，它们可以在部署计划系统时带来结果：
- 在主要销售期间未售出的商品的销售
- 提高商店预测需求的准确性
客户的第一点不满意-公司以不安排销售和维持恒定的利润水平为荣。 同时，在物流和货物存储上花费了大量金钱。 结果，决定提高预测需求的准确性，以更准确地分配商店和仓库。
当前过程
由于业务的性质，每个单独的产品都不会长时间出售，因此很难获得足够的历史记录进行经典分析。 当前的预测过程非常简单，其结构如下-在少数商店的主要销售开始测试销售开始之前的几周。 根据测试销售的结果，决定将商品引入整个网络，并假定每个商店的平均销售量与在测试商店的平均销售量相同。
着眼于客户，我们分析了当前数据，了解发生了什么，并提供了一个非常简单的解决方案来提高预测的准确性。
分析数据
根据我们提供的数据：
- 1年零2个月的交易记录
- 用于计划的产品层次结构。 不幸的是，它几乎完全缺乏商品的属性，但以后会更多
- 有关特定星期范围和价格的信息
- 有关商店所在城市的信息
我们无法在短时间内卸载有关余额的信息，这在这种分析中至关重要（如果您不存储此信息，请重新开始），因此，在将来，我们使用这样的假设，即货物在货架上并且不缺货。
立即我们将2个月分成一个测试样本以证明结果。 然后，我们将所有可用数据组合到一个大型展示柜中，以清除退货和奇特的销售额（例如，支票中的金额为每件商品0.51）。 花了好几天。 在准备好展示柜之后，我们查看了最高级别的商品销售[单位]，并看到了以下图片：
这张图片如何帮助我们？
- 显然，这是季节性因素-年末的销售额高于中期
- 一个月内有季节性-在月中，销售量高于年初和月末
- 一周内有季节性-不太有趣，因为 结果，预测是按周进行的
描述的项目确认了业务。 但是这些也是改善预测的重要功能！ 在将它们添加到预测模型之前，让我们考虑应该考虑销售的其他哪些功能……我想到“显而易见”的想法：
- 不同产品组之间的平均销售额有所不同
- 不同商店之间的销售额有所不同
- （与上一段相似）不同城市之间的销售情况有所不同
- 由于公司的具体情况（思路不太明显），因此可以看到以下关系：如果将来的分类与以前的分类相似，则新分类的销售额将会降低。
为此，我们决定停止并建立模型。
建立ABT（ 分析基表 ）
作为模型构建的一部分，所有发现的特征都被转换为模型的“特征”。 结果是使用的功能列表：
- 目前的预测 分配给所有商店的[单位]中的测试商店的平均销售额
- 月数和月中的周数
- 所有类别变量（城市，商店，产品类别）均使用平滑的可能性 （有用的技术-尚未使用的人，请使用它）进行编码
- 计算出的滞后4个产品类别的平均销售额。 即 如果公司计划出售一件蓝色T恤，则计算出该T恤类别的平均销售滞后时间
事实证明，ABT很简单，每个参数都是企业可以理解的，并且不会引起误解或拒绝。 然后有必要了解我们将如何比较预测的质量。
指标选择
客户使用MAPE度量标准测量了当前的预测准确性。 该指标既流行又简单，但是在预测需求方面有一些缺点。 事实是，使用MAPE时，预测类型错误对最终指标的影响最大：
相对预测误差为900％-看起来很大，但让我们看一下另一种产品的销售情况：
相对预测误差为33％，远小于900％，但是对于业务而言，相对于18个[单位]的偏差，绝对偏差100 [单位]的重要性要大得多。 要考虑这些功能，您可以提出自己有趣的方法，或者可以使用另一种流行的方法来预测需求-WAPE 。 此措施将更多权重分配给具有较高销售额的商品，这对于完成任务非常有用。
我们向公司介绍了各种测量预测误差的方法，客户愿意同意在此任务中使用WAPE更合理。 在那之后，我们几乎没有调整超参数就启动了Random Forest，并获得了以下结果。
结果
在预测测试期间之后，我们将预测值与实际值以及公司的预测值进行了比较。 结果， MAPE下降了15％以上，WAPE下降了10％以上 。 计算出改进的预测对业务指标的影响后，成本降低了相当大的数百万美元。
1周花在所有工作上！
进一步的步骤
作为对客户的奖励，我们进行了一个小型DQ实验。 对于一个产品组，我们从产品名称中解析特征（颜色，产品类型，成分等）并将其添加到预测中。 结果令人鼓舞-在此类别中，两种错误措施均额外提高了8％以上。
结果，为客户提供了ABT展示柜的每个功能，模型参数，装配参数的描述，并描述了进一步改进预测的步骤（使用超过一年的历史数据;使用余额;使用商品的特性等）。
结论
与客户合作一周后，可以显着提高预测的准确性，而实际上不更改业务流程。
现在肯定有很多人认为这种情况非常简单，他们无法在公司中采用这种方法。 经验表明，几乎总是在某些地方仅使用基本假设和专家意见。 在这些地方，您可以开始使用机器学习。 为此，您需要仔细准备和研究数据，与业务部门交流并尝试应用不需要长时间调整的流行模型。 以及堆叠，嵌入功能，复杂模型-所有这些都将在以后提供。 我希望我说服您，这并不像看起来那样困难，您只需要稍微考虑一下，不要害怕入手。
不要害怕机器学习，寻找可以在流程中使用的地方，不要害怕研究您的数据，并让顾问来获取它们，并获得不错的结果。
PS：我们正在招募年轻的Padawan学生，在经验丰富的Jedi的指导下进行零售实习。 首先，常识和SQL知识就足够了，我们将教其余的知识。 您可以发展为业务专家或技术顾问，以较有趣的为准。 如果有兴趣或建议，请亲自写