Régression pour les effets des jours fériés et des promotions

Maintenant que vous avez créé la variable indicatrice du Nouvel An, voyons si elle diffère de façon significative du profil habituel des ventes à l'aide d'une régression.

Votre data.frame contenant le logarithme des ventes et le logarithme des prix est enregistré dans votre espace de travail sous le nom MET_hi_train. Votre variable du Nouvel An est enregistrée sous newyear.

Cette activité fait partie du cours

Prévoir la demande de produits en R

Instructions de l’exercice

Créez un nouvel ensemble de données, MET_hi_train_2, en combinant MET_hi_train et votre variable du Nouvel An sous forme de vecteur.
Construisez un modèle de régression pour le produit haut de gamme dans la région métropolitaine. Le modèle doit prédire le logarithme des ventes (log_sales) à partir du logarithme du prix (log_price) et de la variable du Nouvel An (newyear), et utiliser le nouvel ensemble de données MET_hi_train_2 que vous venez de créer.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create MET_hi_train_2 by adding newyear
MET_hi_train_2 <- data.frame(MET_hi_train, as.vector(___))
colnames(MET_hi_train_2)[3] <- "newyear"

# Build regressions for the product
model_MET_hi_full <- lm(___ ~ ___ + ___, data = ___)

Modifier et exécuter le code

Cette activité fait partie du cours

Prévoir la demande de produits en R

SkillTag.level.intermediateSkillTag.label

4.7+

Commencer le cours gratuitement

En matière de prévision, les modèles de séries chronologiques sont un excellent point de départ ! Vous devez prévoir les valeurs futures de la demande de ventes, et une bonne approche de base consiste à utiliser des modèles ARIMA. Dans ce chapitre, vous apprendrez à mettre en place rapidement des modèles ARIMA et à obtenir de bonnes prévisions initiales de la demande future de produits.

Exercise 1: Charger des données dans un objet xts Exercise 2: Importer des données Exercise 3: Tracer / visualiser des données Exercise 4: Introduction aux séries temporelles ARIMA Exercise 5: Fonction auto.arima()Exercise 6: Interpréter auto.arima Exercise 7: Prévisions et évaluation Exercise 8: Fonction forecast Exercise 9: Calculer le MAPE et le MAE Exercise 10: Visualiser la prévision Exercise 11: Intervalles de confiance pour la prévision

La théorie économique a beaucoup à dire sur la prédiction des valeurs de la demande. Évidemment, des facteurs externes comme le prix, la saisonnalité et le calendrier des promotions influencent certains aspects de la demande de produits. Dans ce chapitre, vous verrez les bases des modèles d'élasticité-prix et comment intégrer la saisonnalité et le calendrier des promotions dans nos prévisions de la demande de produits.

Exercise 1: Élasticité-prix Exercise 2: Calcul de l'élasticité-prix Exercise 3: Interpréter les résultats d'élasticité Exercise 4: Effets saisonniers, des jours fériés et des promotions Exercise 5: Visualiser les effets des jours fériés et des promotions Exercise 6: Créer des variables d'effet de jours fériés / promotions Exercise 7: Régression pour les effets des jours fériés et des promotions

Exercice en cours

Exercise 8: Effets significatifs des fêtes ou des promotions?Exercise 9: Prévisions avec régression Exercise 10: Créer des variables explicatives futures Exercise 11: Prévoir les valeurs futures de la demande Exercise 12: Visualiser des prévisions par régression

Les modèles de séries chronologiques et les régressions de prix n'ont pas à être considérés comme des approches distinctes pour prévoir la demande de produits. On peut les combiner ! Dans ce chapitre, vous découvrirez deux façons de « combiner » l'information tirée des deux approches de modélisation : les fonctions de transfert et l'assemblage de prévisions (ensembling).

Exercise 1: Résidus du modèle de régression Exercise 2: Calcul des résidus d'une régression Exercise 3: Visualiser les résidus Exercise 4: Prévoir les résidus Exercise 5: Fonction auto.arima Exercise 6: Prévision des résidus avec des séries chronologiques Exercise 7: Visualiser les prévisions des résidus Exercise 8: Fonctions de transfert et ensemblage Exercise 9: Combiner les résidus de la régression et des séries chronologiques Exercise 10: Visualiser la prévision avec fonction de transfert Exercise 11: Calcul de la MAPE et de la MAE pour la fonction de transfert Exercise 12: Prévisions ARIMA Exercise 13: Regroupement (ensembling) des prévisions

Jusqu'ici, nous avons élaboré des modèles individuels pour prévoir la demande de produits. Cependant, nous n'avons pas tiré parti du fait que tous ces produits forment une hiérarchie de ventes. Les produits composent des régions, et les régions composent des États. Comment s'assurer que nos prévisions se concilient correctement à tous les niveaux de la hiérarchie ? Dans ce chapitre, vous apprendrez la prévision hiérarchique et comment l'utiliser à votre avantage pour prévoir la demande de produits.

Exercise 1: Prévisions hiérarchiques ascendantes (Bottom-Up)Exercise 2: Créer une prévision de série chronologique pour un nouveau produit Exercise 3: Créer une prévision par régression pour un nouveau produit Exercise 4: Prévision en ensemble pour un nouveau produit Exercise 5: Calculer la prévision « bottom-up » pour l'ensemble de la région Exercise 6: Prévision hiérarchique descendante (Top-Down)Exercise 7: Créer une prévision de séries chronologiques au niveau régional Exercise 8: Utiliser les proportions historiques moyennes Exercise 9: Utiliser la proportion des moyennes historiques Exercise 10: Prévision hiérarchique du milieu vers le haut Exercise 11: Construire une prévision de série chronologique pour une nouvelle région Exercise 12: Prévision descendante pour une nouvelle région Exercise 13: Prévision ascendante pour tout l'État Exercise 14: Félicitations !