隨著人工智能技術(shù)的不斷發(fā)展，智能預(yù)測已經(jīng)成為各個領(lǐng)域的重要應(yīng)用之一?，F(xiàn)在，智能預(yù)測技術(shù)已經(jīng)廣泛應(yīng)用于金融、零售、醫(yī)療、能源等領(lǐng)域，為企業(yè)和個人提供決策支持。

智能預(yù)測技術(shù)通過分析大量的數(shù)據(jù)，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法構(gòu)建模型，對未來的趨勢和事件進(jìn)行預(yù)測。由于智能預(yù)測技術(shù)的準(zhǔn)確性和可靠性不斷提高，各個領(lǐng)域都在積極探索和應(yīng)用智能預(yù)測技術(shù)，以獲得更好的決策效果和效益。

 

 

本文通過一個零售行業(yè)銷售預(yù)測的實戰(zhàn)案例來介紹永洪BI V10.1版本的數(shù)據(jù)變換操作節(jié)點(diǎn)和LightGBM算法，以幫助廣大用戶了解和學(xué)習(xí)整個數(shù)據(jù)處理和模型訓(xùn)練、預(yù)測、評估的全過程。

 

 

中國零售業(yè)是國家經(jīng)濟(jì)的重要支柱之一，其在2021年的社會消費(fèi)品全年零售總額達(dá)到了440823億元，同比增長12.5%。盡管線上零售業(yè)務(wù)正在迅速發(fā)展，但線下零售仍然占據(jù)了巨大的份額。

隨著數(shù)字化轉(zhuǎn)型的推進(jìn)，企業(yè)可以利用人工智能技術(shù)實現(xiàn)更精細(xì)化的運(yùn)營，從而提高零售店的銷量和效益。永洪的深度分析功能是一種非常有用的工具，可以幫助企業(yè)更好地預(yù)測零售店的銷量情況，從而制定更精準(zhǔn)的銷售策略和運(yùn)營計劃。今天，我們就通過永洪BI的深度分析功能，教您預(yù)測零售店的銷量情況。

 

 

我們以一個在7個歐洲國家經(jīng)營著3000多家藥店的連鎖企業(yè)為例，通過構(gòu)建模型，可以幫助它的門店經(jīng)理提前至多六周預(yù)測每日的銷售額。需要有兩張數(shù)據(jù)表，分別為各個門店的信息數(shù)據(jù)和從所有門店匯總來的歷史銷售信息，詳細(xì)字段描述如下表。門店的銷售情況受到許多因素的影響，包括促銷、競爭、學(xué)校和國家假日、季節(jié)性和地區(qū)，這個可以根據(jù)您的實際情況修改。

表1門店信息字段描述

表2 銷售信息字段描述

對于這種預(yù)測的場景，我們一般會將其抽象為一個回歸問題，LightGBM算法在實際工程項目中對類別型特征的處理非常適合一些金融數(shù)據(jù)或多因素影響的銷量數(shù)據(jù)建模場景，所以我們選擇LightGBM回歸。

首先要分析數(shù)據(jù)，然后對數(shù)據(jù)進(jìn)行預(yù)處理，永洪BI的深度分析功能提供了幾十種數(shù)據(jù)變換節(jié)點(diǎn)，采用了可視化的操作方式，通過鼠標(biāo)拖拽即可完成流程的搭建。選中商店數(shù)據(jù)節(jié)點(diǎn)，在右側(cè)的數(shù)據(jù)探索可以查看對字段的統(tǒng)計分析結(jié)果。（以下使用的數(shù)據(jù)處理節(jié)點(diǎn)為根據(jù)此數(shù)據(jù)分析選擇的，不代表所有場景都需要使用這些節(jié)點(diǎn)，需要根據(jù)數(shù)據(jù)情況選擇。）

選擇CompetitionDistance字段，在統(tǒng)計中缺失值數(shù)量顯示存在3個缺失值，且各個門店差別較大（最小20，最大75860），故而使用缺失值填充節(jié)點(diǎn)處理。

又通過數(shù)據(jù)分布直方圖可知存在數(shù)據(jù)傾斜，所以需要進(jìn)行對數(shù)變換。為了知道促銷距今有多少周，還需要將Promo2SinceYear和Promo2SinceWeek字段的信息合并處理為Promo2Weeks字段，因為銷量和促銷的時間相關(guān)。使用計算列節(jié)點(diǎn)，新建對數(shù)變換和Promo2Weeks計算列。

因為上述計算過程會出現(xiàn)缺失值，故需要將其填充，否則空值無法分析。

對于銷售信息數(shù)據(jù)，我們從數(shù)據(jù)探索的盒須圖中可以看出Sales字段存在明顯偏離其它數(shù)據(jù)的值。

所以先使用過濾節(jié)點(diǎn)，過濾偏離數(shù)據(jù)，運(yùn)行后發(fā)現(xiàn)此數(shù)據(jù)并沒有參加促銷，因為促銷才更能影響銷量，故將其判斷為異常值過濾掉，且不需要未營業(yè)時的商店銷售數(shù)據(jù)，因為此數(shù)據(jù)對銷量判斷沒有意義，故將未營業(yè)時數(shù)據(jù)過濾。

接下來從日期特征提取年、月、日特征，為了后續(xù)可以精細(xì)的按月判斷促銷。

因為需要將商店數(shù)據(jù)中的PromoInterval字段與銷售信息中的Month字段結(jié)合，判斷銷售記錄是否在促銷期間發(fā)生，所以我們通過聯(lián)接節(jié)點(diǎn)將兩個數(shù)據(jù)合并在一起。

如果想預(yù)測商品銷量的話，是不是促銷月是很重要的信息，所以通過計算列節(jié)點(diǎn)新建名稱為是否為促銷月的數(shù)據(jù)。

最后，使用過濾節(jié)點(diǎn)將最后48天的數(shù)據(jù)（即過濾大于等于2015年6月14日的數(shù)據(jù)）劃分為測試集，其它為訓(xùn)練集（即過濾小于2015年6月14日的數(shù)據(jù)）。至此，數(shù)據(jù)預(yù)處理流程結(jié)束。
 

之后，我們在訓(xùn)練集過濾節(jié)點(diǎn)后接LightGBM回歸節(jié)點(diǎn)，并調(diào)整其配置參數(shù)，如果不是很了解參數(shù)，也可以選擇自動調(diào)參，特征列字段為Promo2Weeks-Fill Null Value、PromoInterval等，目標(biāo)列選擇Sales。

測試集過濾和LightGBM回歸節(jié)點(diǎn)后接模型應(yīng)用節(jié)點(diǎn)，此流程是為了將訓(xùn)練完成的模型用于測試集，所以模型應(yīng)用節(jié)點(diǎn)的自變量需要和模型的特征列一致（可以直接復(fù)制粘貼字段）。因變量需要在選擇列中新建變量，命名為predict。

模型應(yīng)用后接回歸性能評估，用各種指標(biāo)比較真實值和預(yù)測值的差距。最后通過連接圖片視圖、表格視圖或數(shù)據(jù)集視圖查看結(jié)果。

運(yùn)行實驗后，可以在模型應(yīng)用結(jié)果中查看預(yù)測值。除此之外，我們還可以查看在測試集上預(yù)測的銷售額和測試集中樣本的實際銷售額的對比圖，評估預(yù)測準(zhǔn)確性。

本案例是一個常用的預(yù)測場景，可以大致總結(jié)為以下過程，此流程為機(jī)器學(xué)習(xí)的通用流程。

詳細(xì)的案例介紹您可以下載永洪最新的Yonghong Desktop V10.1了解（點(diǎn)擊下載：永洪桌面版），新建實驗?zāi)Ｐ图纯刹榭创虽N量預(yù)測案例。

也可以查看和了解更多內(nèi)置案例，精準(zhǔn)的預(yù)測不僅能幫助企業(yè)提前制定規(guī)劃，也可以幫企業(yè)降低風(fēng)險。在數(shù)字化轉(zhuǎn)型的大潮中，讓我們一起攜手前行。

 

 

?