मौसमी / छुट्टी / प्रमोशनल प्रभाव

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में प्रोडक्ट डिमांड फोरकास्टिंग

SkillTag.level.intermediateSkillTag.label

4.7+

30 reviews

पाठ्यक्रम मुफ्त में शुरू करें

फोरकास्टिंग की बात हो तो शुरुआत के लिए टाइम सीरीज़ मॉडलिंग बेहतरीन है! आपको भविष्य की सेल्स डिमांड के मानों का पूर्वानुमान लगाना है, और एक अच्छा बेसलाइन तरीका ARIMA मॉडल्स होंगे। इस अध्याय में आप सीखेंगे कि ARIMA मॉडल्स को जल्दी कैसे लागू करें और भविष्य की प्रोडक्ट डिमांड के लिए अच्छे शुरुआती फोरकास्ट कैसे पाएँ।

Exercise 1: डेटा को xts ऑब्जेक्ट में लोड करना Exercise 2: डेटा इम्पोर्ट करना Exercise 3: डेटा का प्लॉटिंग/विज़ुअलाइज़ेशन Exercise 4: ARIMA Time Series 101 Exercise 5: auto.arima() फंक्शन Exercise 6: auto.arima की व्याख्या करें Exercise 7: Forecasting और Evaluating Exercise 8: Forecast फंक्शन Exercise 9: MAPE और MAE की गणना Exercise 10: फोरकास्ट का विज़ुअलाइज़ेशन Exercise 11: फोरकास्ट के लिए कॉन्फिडेंस इंटरवल

आर्थिक सिद्धांत डिमांड के मानों का अनुमान लगाने पर बहुत रोशनी डालता है। साफ है कि बाहरी कारक जैसे प्राइस, सीज़नैलिटी और प्रमोशन का समय प्रोडक्ट डिमांड के कुछ पहलुओं को प्रभावित करेंगे। इस अध्याय में आप प्राइस इलास्टिसिटी मॉडल्स की बुनियाद समझेंगे और जानेंगे कि सीज़नैलिटी और प्रमोशन टाइमिंग जैसे फैक्टर्स को हमारे प्रोडक्ट डिमांड फोरकास्ट में कैसे शामिल करें।

Exercise 1: मूल्य लोचशीलता Exercise 2: प्राइस इलास्टिसिटी की गणना Exercise 3: Elasticity से मिले नतीजों की व्याख्या करें Exercise 4: मौसमी / छुट्टी / प्रमोशनल प्रभाव

वर्तमान अभ्यास

Exercise 5: छुट्टी/प्रमोशन प्रभावों का विज़ुअलाइज़ करें Exercise 6: Holiday / Promotional प्रभाव वाले वैरिएबल बनाएँ Exercise 7: Holiday/प्रमोशनल इफेक्ट्स के लिए रिग्रेशन Exercise 8: क्या अवकाश या प्रमोशनल प्रभाव महत्वपूर्ण हैं?Exercise 9: Regression के साथ पूर्वानुमान Exercise 10: भविष्य के प्रेडिक्टर वैरिएबल्स बनाएँ Exercise 11: मांग के भविष्य के मानों का पूर्वानुमान करें Exercise 12: Regression के पूर्वानुमानों का विज़ुअलाइज़ेशन

टाइम सीरीज़ मॉडल्स और प्राइसिंग रिग्रेशन, प्रोडक्ट डिमांड फोरकास्टिंग के अलग-अलग तरीके होकर भी अलग-थलग नहीं हैं। इन्हें जोड़ा जा सकता है! इस अध्याय में आप दोनों मॉडलिंग तरीकों से मिली जानकारी को "कम्बाइन" करने के दो तरीकों के बारे में सीखेंगे — ट्रांसफर फंक्शंस और फोरकास्ट एन्सेम्बलिंग।

Exercise 1: Regression मॉडल के Residuals Exercise 2: रिग्रेशन से रेजिडुअल्स निकालना Exercise 3: रेज़िडुअल्स का विज़ुअलाइज़ेशन Exercise 4: रेज़िडुअल्स का फोरकास्टिंग Exercise 5: auto.arima फंक्शन Exercise 6: टाइम सीरीज़ से रेजिडुअल का फोरकास्टिंग Exercise 7: रेज़िडुअल फोरकास्ट का विज़ुअलाइज़ेशन Exercise 8: ट्रांसफर फंक्शंस और एन्सेम्बलिंग Exercise 9: Regression और Time Series के रेज़िडुअल्स को जोड़ना Exercise 10: ट्रांसफर फंक्शन फ़ोरकास्ट का विज़ुअलाइज़ेशन Exercise 11: ट्रांसफ़र फ़ंक्शन का MAPE और MAE निकालना Exercise 12: ARIMA फ़ोरकास्टिंग Exercise 13: फोरकास्ट का एन्सेम्बलिंग

अब तक की सारी चर्चा प्रोडक्ट डिमांड का अनुमान लगाने के लिए अलग-अलग मॉडल बनाने पर केंद्रित थी। लेकिन हमने इस तथ्य का लाभ नहीं उठाया कि ये सारे प्रोडक्ट्स मिलकर सेल्स की एक प्रोडक्ट हायरार्की बनाते हैं। प्रोडक्ट्स से रीजन बनते हैं और रीजन से स्टेट्स। हम कैसे सुनिश्चित करें कि हमारे फोरकास्ट हायरार्की में ऊपर और नीचे सही तरह से मिलें? इस अध्याय में आप हायरार्किकल फोरकास्टिंग के बारे में सीखेंगे और जानेंगे कि प्रोडक्ट डिमांड फोरकास्टिंग में इसे अपने पक्ष में कैसे उपयोग करें।

Exercise 1: बॉटम-अप Hierarchical Forecasting Exercise 2: नए प्रोडक्ट के लिए टाइम सीरीज़ फ़ोरकास्ट बनाएँ Exercise 3: नए प्रोडक्ट के लिए रिग्रेशन फ़ोरकास्ट बनाएँ Exercise 4: नए प्रोडक्ट के लिए एन्सेम्बल फोरकास्ट Exercise 5: पूरे रीजन के लिए बॉटम-अप फ़ोरकास्ट की गणना करें Exercise 6: टॉप-डाउन हाइरार्किकल फोरकास्टिंग Exercise 7: क्षेत्रीय स्तर पर टाइम सीरीज़ पूर्वानुमान बनाएँ Exercise 8: औसत ऐतिहासिक अनुपातों का उपयोग Exercise 9: ऐतिहासिक औसत के अनुपात का उपयोग Exercise 10: Middle-Out हाइरार्किकल फ़ोरकास्टिंग Exercise 11: नए क्षेत्र के लिए टाइम सीरीज़ फ़ोरकास्ट बनाइए Exercise 12: नई रीजन के लिए टॉप-डाउन फोरकास्ट Exercise 13: पूरे राज्य के लिए बॉटम-अप फ़ोरकास्ट Exercise 14: बधाई हो!