Calculer la prévision « bottom-up » pour l'ensemble de la région

Parfait! Vous avez maintenant une prévision pour le produit à valeur élevée dans la région métropolitaine dans l'objet pred_MET_hi_xts (la régression était la meilleure) et une prévision pour le produit spécialisé dans l'objet for_MET_sp_en (l'ensemble était le meilleur). J'ai aussi produit la prévision du produit à faible valeur dans la région pour vous, et elle se trouve dans l'objet pred_MET_lo_xts (la régression était la meilleure). Vous pouvez maintenant construire une prévision « bottom-up » pour l'ensemble de la région métropolitaine!

Cette activité fait partie du cours

Prévoir la demande de produits en R

Instructions de l’exercice

Additionnez les trois prévisions de chaque produit définies ci-dessus pour construire la prévision des ventes de l'ensemble de la région.
Calculez la MAPE de cette prévision totale en la comparant à l'ensemble de validation MET_t_v.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Calculate the metropolitan regional sales forecast
for_MET_total <- ___ + ___ + ___

# Calculate a validation data set 
MET_t_v <- bev_xts_valid[,"MET.hi"] + bev_xts_valid[,"MET.lo"] + bev_xts_valid[,"MET.sp"]

# Calculate the MAPE
MAPE <- mape(___, ___)
print(MAPE)

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 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

Exercice en cours

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 !