Bottom-upvoorspelling voor de hele regio berekenen

Top! Je hebt nu een voorspelling voor het high value-product in de grootstedelijke regio in het object pred_MET_hi_xts (de regressie was het best) en een voorspelling voor het specialty-product in het object for_MET_sp_en (de ensemble was het best). Ik heb ook de voorspelling voor het low value-product in de regio voor je gemaakt; die staat in het object pred_MET_lo_xts (de regressie was het best). Nu kun je een bottom-upvoorspelling bouwen voor de hele grootstedelijke regio!

Deze oefening maakt deel uit van de cursus

Vraag naar producten voorspellen in R

Cursus bekijken

Oefeninstructies

Tel de drie voorspellingen van elk product hierboven op om de totale verkoopvoorspelling voor de hele regio te maken.
Bereken de MAPE van deze totale voorspelling ten opzichte van de validatieset MET_t_v.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Vraag naar producten voorspellen in R

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Bottom-up hiërarchische voorspelling Exercise 2: Bouw een tijdreeksvoorspelling voor nieuw product Exercise 3: Maak een regressievoorspelling voor een nieuw product Exercise 4: Ensemble-voorspelling voor nieuw product Exercise 5: Bottom-upvoorspelling voor de hele regio berekenen

Huidige oefening

Exercise 6: Top-down hiërarchische voorspelling Exercise 7: Bouw een tijdreeksvoorspelling op regionaal niveau Exercise 8: Gemiddelde historische verhoudingen gebruiken Exercise 9: Gebruik van de verhouding van historische gemiddelden Exercise 10: Middle-out hiërarchische forecasting Exercise 11: Maak een tijdreeksvoorspelling voor nieuwe regio Exercise 12: Top-down-voorspelling voor nieuwe regio Exercise 13: Bottom-up-voorspelling voor de hele staat Exercise 14: Gefeliciteerd!