Crea un forecast di serie temporale per il nuovo prodotto

Prima di poter calcolare un forecast bottom-up per la regione metropolitana, dobbiamo avere le previsioni di più prodotti! Per iniziare, costruiamo un forecast di serie temporale per il prodotto specialty nella regione metropolitana. La domanda del prodotto è salvata come MET_sp nel tuo ambiente di lavoro, insieme a dates_valid e ai dati di validazione MET_sp_v.

Hai già scritto la funzione MAPE più volte a questo punto. Ora è stata predisposta per te una funzione mape() da usare con due input: il primo è il forecast e il secondo è il set di validazione.

Questo esercizio fa parte del corso

Previsione della domanda di prodotto in R

Visualizza il corso

Istruzioni dell'esercizio

Usa la funzione auto.arima() per costruire un modello di serie temporale per il prodotto specialty MET_sp.
Prevedi questo modello per 22 periodi nel 2017.
Trasforma questa previsione in un oggetto xts. Puoi ancora usare l’oggetto dates_valid per l’opzione order.by =.
Calcola la MAPE per questa previsione con la tua nuova funzione mape().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Build a time series model 
MET_sp_model_arima <- ___(___)

# Forecast the time series model you just built for 22 periods
for_MET_sp <- ___(___, h = ___)

# Create an xts object on the forecast object you just created
for_MET_sp_xts <- ___(___$mean, order.by = ___)

# Calculate the MAPE on your forecast with the validation data
MAPE <- mape(___, ___)
print(MAPE)

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: Price elasticity Exercise 2: Calculating price elasticity Exercise 3: Interpret results from elasticity Exercise 4: Seasonal / holiday / promotional effects Exercise 5: Visualize holiday / promotion effects Exercise 6: Create holiday / promotional effect variables Exercise 7: Regression for holiday / promotional effects Exercise 8: Significant holiday or promotional effects?Exercise 9: Forecasting with regression Exercise 10: Create future predictor variables Exercise 11: Forecast future values of demand Exercise 12: Visualizing forecasts of regression

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: Previsioni gerarchiche bottom-up Exercise 2: Crea un forecast di serie temporale per il nuovo prodotto

Esercizio in corso

Exercise 3: Crea una previsione di regressione per un nuovo prodotto Exercise 4: Ensemble di previsione per il nuovo prodotto Exercise 5: Calcola il forecast bottom-up per l'intera regione Exercise 6: Previsioni gerarchiche Top-Down Exercise 7: Crea una previsione di serie storica a livello regionale Exercise 8: Uso delle proporzioni storiche medie Exercise 9: Uso della proporzione delle medie storiche Exercise 10: Previsioni gerarchiche middle-out Exercise 11: Crea una previsione di serie temporale per la nuova regione Exercise 12: Previsione top-down per una nuova regione Exercise 13: Previsione bottom-up per l’intero stato Exercise 14: Congratulazioni!