Сезонні, святкові та промо-ефекти

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.

Ця вправа є частиною курсу

Прогнозування попиту на товари в R

SkillTag.level.intermediateSkillTag.label

4.7+

Почніть курс безкоштовно

Для прогнозування чудовою відправною точкою є моделювання часових рядів! Вам потрібно спрогнозувати майбутні значення попиту на продажі, і хорошою базовою стратегією будуть моделі ARIMA. У цьому розділі ви навчитеся швидко реалізовувати моделі ARIMA та отримувати якісні початкові прогнози майбутнього попиту на продукт.

Exercise 1: Завантаження даних в об'єкт xts Exercise 2: Імпорт даних Exercise 3: Побудова графіків / візуалізація даних Exercise 4: Основи часових рядів ARIMA 101 Exercise 5: Функція auto.arima()Exercise 6: Інтерпретація auto.arima Exercise 7: Прогнозування та оцінювання Exercise 8: Функція прогнозування Exercise 9: Обчислення MAPE та MAE Exercise 10: Візуалізація прогнозу Exercise 11: Довірчі інтервали для прогнозу

Економічна теорія багато пояснює щодо прогнозування значень попиту. Зовнішні чинники, як-от ціна, сезонність і час проведення акцій, очевидно впливають на окремі аспекти попиту на продукт. У цьому розділі ви ознайомитеся з основами моделей цінової еластичності та дізнаєтеся, як враховувати сезонність і час акцій у наших прогнозах попиту на продукт.

Exercise 1: Цінова еластичність Exercise 2: Обчислення цінової еластичності Exercise 3: Інтерпретація результатів еластичності Exercise 4: Сезонні, святкові та промо-ефекти

Поточна вправа

Exercise 5: Візуалізація ефектів свят і промоакцій Exercise 6: Створення змінних для святкових і промо-ефектів Exercise 7: Регресія для святкових / промоційних ефектів Exercise 8: Значущі сезонні чи промо-ефекти?Exercise 9: Прогнозування за допомогою регресії Exercise 10: Створення майбутніх змінних-предикторів Exercise 11: Спрогнозуйте майбутні значення попиту Exercise 12: Візуалізація прогнозів регресії

Моделі часових рядів і цінові регресії не обов'язково розглядати як окремі підходи до прогнозування попиту. Їх можна поєднати! У цьому розділі ви дізнаєтеся про два способи «поєднання» інформації з обох підходів до моделювання – трансферні функції та ансамблювання прогнозів.

Exercise 1: Залишки регресійної моделі Exercise 2: Обчислення залишків у регресії Exercise 3: Візуалізація залишків Exercise 4: Прогнозування залишків Exercise 5: Функція auto.arima Exercise 6: Прогнозування залишків за часовим рядом Exercise 7: Візуалізація прогнозів залишків Exercise 8: Трансфер-функції та ансамблювання Exercise 9: Поєднання залишків із регресії та часових рядів Exercise 10: Візуалізація прогнозу з transfer function Exercise 11: Обчислення MAPE та MAE для transfer function Exercise 12: Прогнозування ARIMA Exercise 13: Ансамблювання прогнозів

Дотепер ми будували окремі моделі для прогнозування попиту на продукти. Однак ми ще не використали перевагу того, що всі ці продукти утворюють ієрархію продажів. Продукти формують регіони, а регіони формують штати. Як забезпечити узгодження прогнозів угору й униз ієрархією? У цьому розділі ви дізнаєтеся про ієрархічне прогнозування та про те, як використати його на користь у прогнозуванні попиту на продукт.

Exercise 1: Ієрархічне прогнозування знизу вгору Exercise 2: Побудуйте прогноз часових рядів для нового продукту Exercise 3: Побудуйте регресійний прогноз для нового продукту Exercise 4: Ансамблевий прогноз для нового продукту Exercise 5: Обчисліть bottom-up прогноз для всього регіону Exercise 6: Ієрархічне прогнозування зверху вниз Exercise 7: Побудуйте прогноз часових рядів на регіональному рівні Exercise 8: Використання середніх історичних часток Exercise 9: Використання часток історичних середніх Exercise 10: Ієрархічне прогнозування за підходом Middle-Out Exercise 11: Побудуйте прогноз часових рядів для нового регіону Exercise 12: Top-down прогноз для нового регіону Exercise 13: Низхідний прогноз для всього штату (bottom-up)Exercise 14: Вітаємо!