Dự báo phân cấp từ giữa ra ngoài (Middle-Out)

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.

Bài tập này là một phần của khóa học

Dự báo Nhu cầu Sản phẩm bằng R

SkillTag.level.intermediateSkillTag.label

4.7+

30 reviews

Bắt đầu khóa học miễn phí

Khi nói đến dự báo, mô hình chuỗi thời gian là điểm khởi đầu tuyệt vời! Bạn cần dự báo các giá trị nhu cầu bán hàng trong tương lai và một cách tiếp cận nền tảng tốt là các mô hình ARIMA. Trong chương này, bạn sẽ học cách triển khai nhanh các mô hình ARIMA và có được những dự báo ban đầu chất lượng cho nhu cầu sản phẩm trong tương lai.

Exercise 1: Nạp dữ liệu vào đối tượng xts Exercise 2: Nhập dữ liệu Exercise 3: Vẽ biểu đồ / trực quan hóa dữ liệu Exercise 4: Nhập môn chuỗi thời gian ARIMA Exercise 5: Hàm auto.arima()Exercise 6: Diễn giải auto.arima Exercise 7: Dự báo và đánh giá Exercise 8: Hàm forecast Exercise 9: Tính MAPE và MAE Exercise 10: Trực quan hóa dự báo Exercise 11: Khoảng tin cậy cho dự báo

Lý thuyết kinh tế có rất nhiều điều để nói về việc dự đoán giá trị nhu cầu. Rõ ràng, các yếu tố bên ngoài như giá, tính thời vụ và thời điểm khuyến mãi sẽ chi phối một số khía cạnh của nhu cầu sản phẩm. Trong chương này, bạn sẽ tìm hiểu các nguyên lý cơ bản của mô hình độ co giãn theo giá và cách đưa các yếu tố thời vụ và thời điểm khuyến mãi vào dự báo nhu cầu sản phẩm của chúng ta.

Exercise 1: Độ co giãn theo giá Exercise 2: Tính độ co giãn theo giá Exercise 3: Diễn giải kết quả từ độ co giãn Exercise 4: Hiệu ứng theo mùa / ngày lễ / khuyến mãi Exercise 5: Trực quan hóa ảnh hưởng ngày lễ/khuyến mãi Exercise 6: Tạo biến hiệu ứng ngày lễ / khuyến mãi Exercise 7: Hồi quy cho tác động ngày lễ/khuyến mãi Exercise 8: Hiệu ứng ngày lễ hoặc khuyến mãi có ý nghĩa?Exercise 9: Dự báo bằng hồi quy Exercise 10: Tạo biến dự báo cho tương lai Exercise 11: Dự báo giá trị nhu cầu trong tương lai Exercise 12: Trực quan hóa dự báo bằng hồi quy

Mô hình chuỗi thời gian và hồi quy theo giá không nhất thiết phải được xem là hai cách tiếp cận tách biệt để dự báo nhu cầu sản phẩm. Chúng có thể được kết hợp! Trong chương này, bạn sẽ học hai cách "kết hợp" thông tin thu được từ cả hai cách tiếp cận mô hình hóa — hàm truyền (transfer functions) và tổ hợp dự báo (forecast ensembling).

Exercise 1: Phần dư từ mô hình hồi quy Exercise 2: Tính phần dư từ hồi quy Exercise 3: Trực quan hóa phần dư Exercise 4: Dự báo phần dư Exercise 5: Hàm auto.arima Exercise 6: Dự báo phần dư bằng chuỗi thời gian Exercise 7: Trực quan hóa dự báo phần dư Exercise 8: Hàm truyền và ensembling Exercise 9: Kết hợp phần dư từ hồi quy và chuỗi thời gian Exercise 10: Trực quan hóa dự báo hàm truyền (transfer function)Exercise 11: Tính MAPE và MAE cho hàm truyền (transfer function)Exercise 12: Dự báo ARIMA Exercise 13: Ensembling các dự báo

Mọi nội dung cho đến lúc này đều xoay quanh việc xây dựng các mô hình riêng lẻ để dự báo nhu cầu sản phẩm. Tuy nhiên, chúng ta vẫn chưa tận dụng thực tế rằng tất cả các sản phẩm này tạo thành một hệ phân cấp doanh số. Sản phẩm hợp thành vùng và các vùng hợp thành bang. Làm sao để đảm bảo dự báo của chúng ta được điều hòa nhất quán lên xuống theo hệ phân cấp? Trong chương này, bạn sẽ học về dự báo phân cấp và cách dùng nó để gia tăng hiệu quả dự báo nhu cầu sản phẩm.

Exercise 1: Dự báo phân cấp từ dưới lên (Bottom-Up)Exercise 2: Xây dựng dự báo chuỗi thời gian cho sản phẩm mới Exercise 3: Xây dựng dự báo hồi quy cho sản phẩm mới Exercise 4: Dự báo ensemble cho sản phẩm mới Exercise 5: Tính dự báo bottom-up cho toàn bộ khu vực Exercise 6: Dự báo phân cấp kiểu Top-Down Exercise 7: Xây dựng dự báo chuỗi thời gian ở cấp vùng Exercise 8: Sử dụng tỷ lệ trung bình trong lịch sử Exercise 9: Sử dụng tỷ lệ trung bình lịch sử Exercise 10: Dự báo phân cấp từ giữa ra ngoài (Middle-Out)

Bài tập hiện tại

Exercise 11: Xây dựng dự báo chuỗi thời gian cho vùng mới Exercise 12: Dự báo top-down cho vùng mới Exercise 13: Dự báo bottom-up cho toàn bang Exercise 14: Chúc mừng bạn!