Crea variabili predittive future

Per ottenere previsioni dai modelli di regressione con prezzo, festività e promozioni abbiamo bisogno di valori futuri per ciascuno di questi input! Per il nostro prodotto di fascia alta abbiamo già stabilito che festività e promozioni non sono rilevanti per il modello. I prezzi vengono negoziati con 6 mesi di anticipo, quindi i prezzi nel set di dati di validazione sono ragionevoli da usare per i calcoli di previsione. Il tuo set di dati di validazione è salvato nel tuo workspace come bev_xts_valid.

Questo esercizio fa parte del corso

Previsione della domanda di prodotto in R

Visualizza il corso

Istruzioni dell'esercizio

Salva il logaritmo dei prezzi (memorizzati nella variabile MET.hi.p) del tuo set di validazione come vettore usando as.vector().
Crea un data frame di validazione usando l_MET_hi_p_valid e imposta i nomi delle colonne usando il codice fornito.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Subset the validation prices #
l_MET_hi_p_valid <- as.vector(___(bev_xts_valid[,"___"]))

# Create a validation data frame #
MET_hi_valid <- data.frame(___)
colnames(MET_hi_valid) <- "log_price"

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Previsione della domanda di prodotto in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

When it comes to forecasting, time series modeling is a great place to start! You need to forecast out the future values of sales demand and a good baseline approach would be ARIMA models. In this chapter you'll learn how to quickly implement ARIMA models and get good initial forecasts for future product demand.

Exercise 1: Loading data into xts object Exercise 2: Importing data Exercise 3: Plotting / visualizing data Exercise 4: ARIMA Time Series 101 Exercise 5: auto.arima() function Exercise 6: Interpret auto.arima Exercise 7: Forecasting and Evaluating Exercise 8: Forecast function Exercise 9: Calculating MAPE and MAE Exercise 10: Visualizing Forecast Exercise 11: Confidence Intervals for Forecast

Economic theory has a lot to say about predicting values of demand. Obviously, external factors like price, seasonality, and timing of promotions will drive some aspects of product demand. In this chapter you'll learn about the basics around price elasticity models and how to incorporate seasonality and promotion timing factors into our product demand forecasts.

Exercise 1: Elasticità del prezzo Exercise 2: Calcolare l'elasticità prezzo Exercise 3: Interpreta i risultati dell’elasticità Exercise 4: Effetti stagionali, festivi e promozionali Exercise 5: Visualizza gli effetti di festività/promozioni Exercise 6: Crea variabili per effetti di festività/promozioni Exercise 7: Regressione per effetti di festività/promozioni Exercise 8: Effetti significativi di festività o promozioni?Exercise 9: Previsioni con la regressione Exercise 10: Crea variabili predittive future

Esercizio in corso

Exercise 11: Prevedi i valori futuri della domanda Exercise 12: Visualizzare le previsioni della regressione

Time series models and pricing regressions don't have to be thought of as separate approaches to product demand forecasting. They can be combined! In this chapter you'll learn about two ways of "combining" the information gained in both modeling approaches - transfer functions and forecast ensembling.

Exercise 1: Residuals from regression model Exercise 2: Calculating residuals from regression Exercise 3: Visualizing residuals Exercise 4: Forecasting residuals Exercise 5: auto.arima function Exercise 6: Forecasting residuals with time series Exercise 7: Visualizing residual forecasts Exercise 8: Transfer functions & ensembling Exercise 9: Combining residuals from regression & time series Exercise 10: Visualizing transfer function forecast Exercise 11: Calculating transfer function MAPE and MAE Exercise 12: ARIMA Forecasting Exercise 13: Ensembling of Forecasts

Everything up until this point deals with making individual models for forecasting product demand. However, we haven't taken advantage of the fact that all of these products form a product hierarchy of sales. Products make up regions and regions make up states. How can we ensure that our forecasts reconcile correctly up and down the hierarchy? In this chapter you'll learn about hierarchical forecasting and how to use it to your advantage in forecasting product demand.

Exercise 1: Bottom-Up Hierarchical Forecasting Exercise 2: Build time series forecast for new product Exercise 3: Build regression forecast for new product Exercise 4: Ensemble forecast for new product Exercise 5: Calculate bottom-up forecast for whole region Exercise 6: Top-Down Hierarchical Forecasting Exercise 7: Build time series forecast at regional level Exercise 8: Using average historical proportions Exercise 9: Using proportion of historical averages Exercise 10: Middle-Out Hierarchical Forecasting Exercise 11: Build time series forecast for new region Exercise 12: Top-down forecast for new region Exercise 13: Bottom-up forecast for whole state Exercise 14: Congratulations!