机器学习-零售企业商品销售预测.pdfVIP

机器学习实战案例 机器学习实战案例 ——零售企业商品销售预测 ——零售企业商品销售预测 业务背景分析 Ø 在电子商务业务蓬勃发展地同时,零售业遭遇了寒潮。2018年以来零售行业更是饱受电子商务地冲 ,进入数字时代后,数 据地有效使用成为零售企业颠覆传统地动力,也势必将改变零售业地格局。 Ø 零售业有非常多地场景需求广泛地使用机器学习来进行数据分析,例如通过对供应链数据地分析,发现库存地规律性变化, 合理优化物流环节达到减少库存,提高流通率地目地。对顾客购买数据地分析可以得到顾客地画像,从而为其个性化推荐 产品。也可以发现商品地销售模式,从而灵活地调整定价或销售方式。 Ø 借助数据分析技术,零售企业会做出更合适地决策,从而在激烈地市场竞争中获胜。 问题分析 Ø 零售商Big Mart地数据科学家收集了不同城市10家商店地1559种产品在2013年地销售数据,还定义了每个产品与商店地属性。 Ø 本案例地目地是建立一个Big Mart销售预测模型,使得公司可以预测每个产品在特定商店地销售情况,从而可以提前调整物流, 完善备货渠道, 以较高地效率完成销售流程。 Ø 在此模型地基本上,Big Mart也将尝试在增加销售额中起到关键作用地商品与商店地属 ,从而对商店与所售商品进行优化, 以 期增加公司整体销售额。本案例地步骤说明如表。 步骤 内容 数据探索,包含数据质量评估与合并数据集 数据探索 填补数据中地缺失值 填补缺失值 修正数据中地异常值 修正异常值 衍生了4个字段 新建字段 对于数据中地类型变量,将其数字化与独热编码化 数值化与独热编码 完成预处理工作,重新切分训练集与检验集 完成数据预处理 构造商品销售额预测模型,使用线性回归,Ridge回归,Lasso回归,Elastic Net回归,决策树回归,梯度提升树回归与随机森林回归多种算法 构建模型 构建预测模型 生成模型评估结果 模型评估 流程步骤说明 数据探索 Ø 对数据进行探索是数据分析过程中非常重要地一步,通过对数据地审阅可以发现一些明显地数据质量问题,例如数据缺失,分 布不均匀,数据错误质量问题。同时可以加深对数据结构与变量间关系地理解,为后续数据预处理与模型地选择提供有用地 信息。 Ø 本案例地数据包含不同城市10家商店地1559种产品在2013年地销售数据,共有12个字段,其中“Item_Outlet_Sales”字段为 目标预测值,下表是各个字段地描述。 变量名 描述 Item_Identifier 商品标识 Item_Weight 商品重量 Item_Fat_Content 商品是否是低脂地 Item_Visibility 该商品在某商店中曝光度地百分比