为什么你要用机器学习来做精准销售预测

发表时间：2020-04-21 14:45:26 作者：编辑部 来源：游戏王国 浏览：次

在上一篇文章中，小编为您详细介绍了关于《移动互联网月活跃用户数3月突破11.56亿，呈现结构性变化》相关知识。本篇中小编将再为您讲解标题为什么你要用机器学习来做精准销售预测。

原标题：为什么你要用机器学习来做精准销售预测

原文链接 http://mp.weixin.qq.com/s/d2Yj6rwJkpKQgIc2qER9TA

业务挑战

针对服装这类的时尚产业的客户需求，tecdat(a)参考ZARA，将产品粗略分为: 基本款和时装。对于基本款，每年都没什么大变化，国际流行的影响也不大，那么可以进行长计划生产。对于时装，决定潮流走向的决策权不在某个区域，一个地方的买手们也没有成长到可以准确预判国际流行趋势，所以需要结合不同区域的各种因素，进行预测。对应的，在新货构成中，销量预测策略为：基本款计划生产，时尚款机动调整。

解决方案

任务/目标

根据服装零售业务营销要求，运用多种数据源分析实现精准销量预测。

数据源准备

沙子进来沙子出，金子进来金子出。无数据或数据质量低，会影响模型预测效果。在建立的一个合理的模型之前，对数据要进行收集，搜集除已有销量数据之外的额外信息（比如天气、地点、节假日信息等），再在搜集的数据基础上进行预处理。

有了数据，但是有一部分特征是算法不能直接处理的，还有一部分数据是算法不能直接利用的。

特征转换

把不能处理的特征做一些转换，处理成算法容易处理的干净特征。举例如下：

销售日期。就时间属性本身来说，对模型来说不具有任何意义，需要把日期转变成到年份、月份、日、周伪变量。

产品特征。从产品信息表里面可以得到款式、颜色、质地以及这款产品是否是限量版等。然而并没有这些变量。这就需要我们从产品名字抽取这款产品的上述特征。

以上例举的只是部分特征。

构造

以上说明了如何抽取相关特征，我们大致有如下训练样本（只列举部分特征）。

划分训练集和测试集

考虑到最终模型会预测将来的某时间段的销量，为了更真实的测试模型效果，以时间来切分训练集和测试集。具体做法如下：假设我们有2014-02-01 ~ 2017-06-17的销量相关数据。以2014-02-01 ~ 2016-03-19的销量数据作为训练，2016-03-20~2017-06-17的数据作为测试。

建模

ARIMA，一般应用在股票和电商销量领域

ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将结果变量做自回归（AR）和自平移（MA）。

随机森林

用随机的方式建立一个森林，森林由很多决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。

支持向量回归（SVR）

SVR最本质与SVM类似，都有一个margin，只不过SVM的margin是把两种类型分开，而SVR的margin是指里面的数据会不会对回归有帮助。

模型优化

1.上线之前的优化：特征提取，样本抽样，参数调参。

2.上线之后的迭代，根据实际的A/B testing和业务人员的建议改进模型

从上图可以看出，在此案例中，svm和随机森林算法模型的预测误差最小，运用3种方法预测某商品的销量，其可视化图形如下：

可以看出，销量的预测值的趋势已经基本与真实销量趋势保持一致，但是在预测期较长的区间段，其预测值之间的差别较大。

评估效果不能只看销量，要综合考虑，需要参考业务对接、预测精度、模型可解释性和产业链整体能力等因素综合考虑；不能简单作为企业利润增加的唯一标准。我们的经验是，预测结果仅作为参考一个权重值，还需要专家意见，按照一定的权重来计算。

展望

除了以上列举的一些方法，tecdat(a)已经在尝试更复杂的销售预测模型，如HMM、深度学习（Long Short-Term Memory网络、卷积神经网络（CNN））等；同时需要考虑到模型的可解释性、可落地性和可扩展性、避免“黑箱”预测；还在尝试采用混合的机器学习模型，比如GLM+SVR，ARIMA + NNET等。

销售预测几乎是商业智能研究的终极问题，即便通过机器学习算法模型能够提高测试集的预测精度，但是对于未来数据集的预测，想做到精准预测以使企业利润最大化，还需要考虑机器学习模型之外的企业本身因素。比如，企业的整体供应链能力等，如何将企业因素加入到机器学习模型之中，是未来预销售预测的一个难点与方向。因此，要想解决销售预测终极问题还有一段路要走。