开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
文字识别
人脸与人体
图像技术
语言与知识
视频技术
AR与VR
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
信息服务
智能园区

11.零售店商品销量预估

项目说明

业务背景

销售预测是一种可以帮助零售行业完善需求管理、指导运营、提高企业利润的有效手段。通过销量预测,零售商可根据过去的购买记录来预测消费者的下一步行为及其对市场趋势的反应,从而合理安排生产采购、供应链以及促销方案,提高整体利润。

业务难点

目前零售行业的运营管理面临着以下三大痛点:商业环境变幻莫测,影响最终销量的因素众多,数据变化很快,较难及时把握与分析;部分存在着供应链数字化水平低,货物积压严重的现象;部分零售商由于产品和商品服务的单一化,造成整体竞争力较低的问题。当前大多数零售商为了解决以上问题,已经在探索销量预测的有效手段,但主要依赖专家经验去判断。然而随着市场和信息数字化信息化的高速发展,数据变多了、影响因素复杂了,细分领域竞争也逐渐变得激烈,而这些都是要被考虑到预测因素中,在一个不能聚焦的问题中,人的经验很难全面地考虑到各个维度,给出准确判断。因此依赖专家经验的预测方式具有较为主观,准确率不稳定的风险,从而给生产采购、供应链管理和财务管理带来一定的隐患。

解决思路

为满足上述场景中的销量需求,可引入AI模型进行智能分析,从而在数据中发现潜在规律,对未来的变化趋势进行预测。这些智能分析需求可基于表格预测、时序预测等AI模型来实现。 为了训练上述AI模型并投入生产应用,企业需要组建专业算法工程师队伍、采购服务器、招募部署运维工程师,投入成本高,研发时间长,模型效果难以保障。企业仅需安排一名普通业务人员,利用业余时间,使用EasyDL结构化数据场景表格预测任务,即可快速训练出基于表格预测的商品销量预测模型,并应用到实际运营管理的分析业务中。

image.png

数据准备

数据采集与导入

零售销量预测建模所需的数据一般来自线上用户信息、业务系统记录等。 本示例中使用的数据包括Store(商店编号)、DayOfWeek(周几)、Date(日期)、Customers(顾客数)、Open(是否营业)、Promo(是否在促销)、StateHoliday(是否是节假日)、SchoolHoliday(学校是否放假)、StoreType(商店类型)、Assortment(分类级别 a=基本,b=额外,c=扩展)、CompetitionDistance(距离最近的竞争对手的距离,以米为单位)、CompetitionOpenSinceMonth(最近的竞争对手开放的大致月份)、CompetitionOpenSinceYear(最近的竞争对手开放的大致年份)等维度,以及我们的目标列sales(当天的销售额,我们的预测目标)。

image.png

采集完毕可以根据您的使用习惯选择不同的导入方式来上传数据。可直接上传csv文件;也可将csv文件打包成zip压缩包上传。

image.png

模型训练

选择任务类型并创建模型

销量预测对应表格预测模型,因此需选择结构化数据下的表格预测任务类型。点击创建模型,根据您的业务需要来为模型自定义命名,如:商品销量预测。

image.png

选择算法并训练模型

选择创建并导入的数据集和目标列(我们的预测目标),算法类型选择回归。

image.png

部署方式

公有云部署较为便利,可一键发布为公有云服务,完成配置后点击【开始训练】,在模型列表中可看到我们正在训练的销量预测模型。

image.png

模型发布

填写模型版本、服务名称、以及接口地址即可提交模型发布上线的申请,审核完成后即可在业务场景中调用。

image.png

效果优化

如果训练得到的模型效果未达到预期,可通过补充数据、增加与目标有关的特征列以及手动提取业务价值的特征信息等方法进行模型精度的优化。

常见问题

问题1:我应该采集多少数据?这些数据有什么要求?

在数据数量上,理论上数据量越多,模型效果更好;二是尽量保证各个特征列的分布不要差异太大,也就是要具有一定的均衡性。