How Much Can A Retailer Sell? Sales Forecasting on Tmall
Ant Financial Services Group(蚂蚁金融服务集团)
时间序列预测是学术界和工业界的一项重要研究课题,它可以用来解决许多实际的预测问题,如股票,供水和销售预测。本文研究了零售商在天猫上的销售预测案例|全球领先的在线B2C平台。通过分析数据,我们有两个主要的观察结果,即,在我们将不同的零售商分组后,销售季节性和在我们转换销售(目标到预测)后的Tweedie分布。根据我们的观察,我们设计了两种销售预测机制,即,季节性提取和分布变换。首先,我们采用傅立叶分解自动提取的季节性为不同类别的零售商,这可以进一步被用作任何既定的回归算法的附加功能。其次,我们建议优化对数变换后的Tweedie销售损失。我们将这两种机制应用于经典的回归模型,即,神经网络和梯度提升决策树,并在天猫数据集上进行实验,结果表明两种机制都能显著提高预测结果。
2020-02-27 cs.LG stat.AP stat.ML
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目,我们适应动态计数混合模型来预测个人客户的交易,并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤,并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息,以提高预测,同时保持对许多项目的可伸缩性。一个激励性的案例研究,在多项目,多周期,多步提前超市销售预测提供的例子,证明提高预测精度在多个指标,并说明了预测精度评估和比较的全概率模型的好处。保留字:贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
A Comparative Study on Forecasting of Retail Sales
University of New Mexico(新墨西哥大学);Marquette University(马凯特大学)
预测大型零售公司的产品销售是一项具有挑战性的任务,要考虑到趋势、季节性、事件以及未知因素(如市场竞争、客户偏好变化或不可预见事件,例如,2019冠状病毒病爆发。在本文中,我们对沃尔玛的历史销售数据进行基准预测模型,以预测其未来的销售额。我们提供了一个全面的理论概述和最先进的时间序列预测模型的分析。然后,我们将这些模型应用于预测挑战数据集(Kaggle的M5预测)。具体而言,我们使用传统模型,即ARIMA(自回归综合移动平均),以及最近开发的先进模型,例如,Facebook开发的Prophet模型,微软开发的Light梯度提升机(LightGBM)模型,并对它们的性能进行基准测试。结果表明,ARIMA模型优于Facebook Prophet和LightGBM模型,而LightGBM模型在预测精度方面的损失可以忽略不计,但在大数据集上实现了巨大的计算增益。
2022-03-14 cs.LG q-fin.ST stat.AP
Hierarchical robust aggregation of sales forecasts at aggregated levels in e-commerce, based on exponential smoothing and Holt's linear trend method
我们重温经典的销售预测统计技术,如指数平滑和扩展(霍尔特的线性趋势法)的兴趣。我们这样做,考虑合奏预测,给出了这些经典的技术与不同的(组)参数调整的几个实例,并形成凸组合的合奏预测随着时间的推移,在一个强大的和顺序的方式。这背后的机器学习理论被称为“鲁棒在线聚合”,或“专家建议预测”,或“单个序列预测”(参见Cesa-Bianchi和Lugosi,2006)。我们将这种方法应用于电子商务公司Cdiscount提供的销售分层数据集,并在子子系列,子系列和销售项目系列的水平上进行输出预测,用于各种预测范围(最多6周)。所实现的性能优于通过在训练集上优化调整经典技术并在测试集上使用它们的预测所获得的性能。从内在的角度来看,性能也很好(就平均绝对误差百分比而言)。虽然在子子家族、子家族和家族的层面上获得这些更好的销售预测本身就很有趣,但我们也建议在预测项目层面的需求时将它们用作附加功能。
2020-06-05 stat.AP stat.ML
Inter Time Series Sales Forecasting
在大多数时间序列中,不同模型的组合预测表现出比单一预测更好的效果。为了提高预测质量,可以进行组合预测。我们研究了将一个序列分解为多个组成部分并分别对每个组成部分进行预测的效果。原始序列被分解为趋势,季节性和每个序列的不规则分量。利用ARIMA、Holt-Winter等统计方法对这些分量进行了预测。在本文中,我们专注于如何一个系列的最佳模型可以应用到相似的频率模式序列预测使用关联挖掘。与Holt Winter方法的预测值进行了比较,结果表明该方法的预测效果优于Holt Winter方法
2013-03-01 stat.AP
A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales
我们为M5预测-不确定性竞赛提供了解决方案。我们的解决方案在所有层级的909个提交中排名第6 \ts{th},并在最细粒度(产品商店销售,即\ SKU)。该模型结合了多阶段状态空间模型和蒙特卡罗模拟,以生成预测方案(轨迹)。观察到的销售额采用负二项分布建模,以代表离散的过度分散销售额。季节性因素是手工制作的,并使用在商店部门级别计算的线性系数进行建模。
2021-11-29 stat.AP
The value of point of sales information in upstream supply chain forecasting: an empirical investigation
传统上,制造商使用过去的订单(从一些下游供应链层面接收)来预测未来的订单,然后将这些预测转化为适当的库存和生产优化决策。随着信息共享技术的最新发展,上游供应链(SC)公司可以访问下游销售点(POS)数据。这些数据可用作预测的替代信息来源。有一些研究,调查使用订单与POS数据在上游SC预测的好处;结果是混合的,缺乏经验证据,特别是在多层次的SC和促销的情况下。我们调查了一个实际的三级供应链与684系列,制造商的目的是预测订单从配送中心(DC)使用在DC级别的汇总POS数据或从DC收到的历史订单。实验结果表明,基于阶数的方法比基于POS的方法性能好6%~ 15%.我们发现,POS数据的均值,方差,非线性和熵的低值,以及促销存在对基于POS的预测的性能产生负面影响。这些研究结果是有用的,以确定适当的数据来源和序列特征的影响,在供应链的订单预测。
2021-12-23 stat.AP
How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
在各种业务情况下,机器学习方法的引入或改进受到损害,因为这些方法无法利用现有的分析模型。然而,在许多情况下,类似的问题可能已经在其他地方解决了,但是积累的分析知识不能用来解决新问题,例如,因为隐私障碍。对于类似实体的销售预测的特定目的,我们提出了一个转移机器学习方法的基础上添加剂回归模型,让新的实体受益于现有实体的模型。我们评估了一个丰富的,多年的数据集的多个餐厅分店的方法。我们区分了简单地将模型从一个分支转移到另一个分支(“zero shot”)或转移和调整它们的选项。我们分析了几个预测基准的可行性和性能。结果表明,该方法利用集体可用的分析知识的潜力。因此,我们提供了一种超越销售预测和特定用例的可推广方法。此外,我们还展示了其在典型用例中的可行性以及提高预测质量的潜力。这些结果应该告知学术界,因为它们有助于在各个实体之间利用知识,并立即在工业中得到实际应用。
2020-05-15 cs.LG stat.AP
Regularized Ensemble Forecasting for Learning Weights from Historical and Current Forecasts
The George Washington University(乔治华盛顿大学);Robert H. Smith School of Business, University of Maryland(马里兰大学罗伯特H史密斯商学院)
本文提出了一种结合历史和当前预测的正则化集成方法,通过最小化方差并引入正则化项来优化权重,实验证明其在不同场景下优于传统模型。
2026-08-25 econ.GN q-fin.EC stat.AP
Perspectives on Constrained Forecasting
本文讨论了贝叶斯决策分析在约束预测问题上的观点。基础和教学讨论将决策分析方法与传统但通常不恰当的推理方法进行了对比。说明性的例子包括开发新的约束点预测和熵倾斜方法,以探索预测分布与强加或假设约束的一致性。线性,聚合约束定义了与商业和经济预测中涉及聚合和层次约束的广泛重要问题相关的启发性示例。讨论探讨了不同的损失函数的影响,如何约束预测被预测的结果之间的依赖关系的影响的问题,并促进决策分析的更广泛的使用,包括在选定的预测/决策的预测损失分布的常规评估。扩展到更一般的约束预测问题,更广泛的利益预测和解和其他考虑的连接。
2021-11-30 math.ST stat.ME stat.TH
Demand Forecasting in the Presence of Systematic Events: Cases in Capturing Sales Promotions
可靠的需求预测对于有效的供应链管理至关重要。若干内生和外生变量可以影响需求的动态,因此仅由历史销售数据组成的单个统计模型通常不足以产生准确的预测。在实践中,基线统计模型生成的预测往往由预测者进行判断性调整,以纳入基线模型中未纳入的因素和信息。然而,有系统的事件,其影响可以有效地量化和建模,以帮助最大限度地减少人为干预,调整基线预测。在本文中,我们开发并测试了一种新的机制转换方法来量化系统信息/事件,并客观地将它们纳入基线统计模型。我们简单而实用且有效的模型可以帮助限制预测调整,仅关注系统性较低的事件的影响,例如突然的气候变化或动态的市场活动。所提出的模型和方法进行了实证验证,从两家澳大利亚公司的销售和促销数据。讨论的重点是对预测和基准结果进行透彻分析。我们的分析表明,该模型可以成功地提高预测精度相比,目前的行业实践中,严重依赖于人类的判断因素,在所有类型的信息/事件。
2019-09-06 stat.AP
Reference Class Selection in Similarity-Based Forecasting of Sales Growth
本文提出了一种通用的方法来处理预测暴露于行为偏见,找到适当的外部意见,在我们的情况下,分析师的公司销售预测。我们的想法是找到参考类,即同行群体,分别为每个分析的公司,分享相似的公司的利益,就一个特定的预测。如果预测的销售分布与实际分布尽可能接近地匹配,则类被认为是最优的。预测质量的衡量适用于估计的概率积分变换的拟合优度检验,并通过比较预测的分位数。该方法在1950 - 2019年期间对由21,808家美国公司组成的数据集进行了样本外回溯测试,并对其进行了分析。特别是过去的营业利润率似乎是未来销售分布的良好预测因素。一个案例研究比较了我们的分布预测与实际分析师的预测,并强调了我们的方法在实践中的相关性。
2022-11-16 q-fin.ST stat.AP
Distributional Reference Class Forecasting of Corporate Sales Growth With Multiple Reference Variables
本文提出基于秩算法和主成分分析降维的参考类选择方法,用于企业销售增长率分布预测,并在21,808家美国企业1950-2019年数据上验证了其有效性。
2024-05-06 q-fin.ST stat.AP
Approaching sales forecasting using recurrent neural networks and transformers
University of Valencia(瓦伦西亚大学)
准确、快速的需求预测是供应链中的热门话题之一,可以精确执行相应的下游流程(入站和出站计划、库存放置、网络规划等)。我们开发了三种替代方案,以解决使用深度学习技术和Corporación Favorita数据集(作为Kaggle竞赛的一部分发布)预测日/商店/商品级别的客户销售额的问题。我们的实证结果表明,如何良好的性能可以通过使用一个简单的序列到序列的架构,以最小的数据预处理工作。此外,我们还描述了一个训练技巧,使模型更加独立于时间,从而随着时间的推移提高泛化能力。所提出的解决方案实现了约0.54的RMSLE,这与Kaggle竞赛中提出的问题的其他更具体的解决方案具有竞争力。
2022-04-16 cs.AI cs.LG stat.AP
Identifying and Overcoming Transformation Bias in Forecasting Models
Amazon(亚马逊)
目标变量的对数和平方根变换通常用于预测模型以预测未来的销售。这些转换通常会导致更好的模型性能。然而,它们也引入了系统性的负面偏差(预测不足)。在本文中,我们证明了这种偏差的存在,深入探讨其根源,并介绍了两种方法来纠正偏差。我们的结论是,所提出的偏差校正方法提高了模型性能(高达50%),并提出了将偏差校正纳入建模工作流程的理由。我们还尝试了“Tweedie”系列的成本函数,它通过直接对销售进行建模来规避转换偏差问题。我们的结论是,Tweedie回归提供了最好的性能,到目前为止,在销售建模,使其成为一个强大的替代工作与转换的目标变量。
2022-08-24 cs.LG stat.AP
Reply to Discussions of "Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue"
本文是对商业收入贝叶斯预测多变量动态建模一文的讨论回复,作者感谢讨论者意见,并围绕贝叶斯预测系统宏观视角及各项具体问题进行了逐一回应。
2023-04-02 stat.ME
Parametric quantile autoregressive moving average models with exogenous terms applied to Walmart sales data
带外生项的参数自回归滑动平均模型(ARMAX)在文献中得到了广泛的应用。通常,这些模型考虑条件均值或中值动态,这限制了分析。本文介绍了一类基于对数对称分布的分位数ARMAX模型。这个类别是由分位数和分散参数索引的。它不仅适应了双峰和/或轻/重尾分布数据建模的可能性,而且还适应异方差性。我们用条件极大似然法估计模型参数。此外,我们进行了广泛的蒙特卡罗模拟研究,以评估所提出的模型和估计方法在检索真实的参数值的性能。最后,将所提出的模型类和估计方法应用于竞争“M5预测-准确性”的数据集,该数据集对应于几种沃尔玛产品的每日销售历史。结果表明,所提出的对数对称分位数ARMAX模型具有良好的模型拟合和预测性能。
2022-05-31 stat.AP stat.ME
Towards forecast techniques for business analysts of large commercial data sets using matrix factorization methods
这篇研究文章表明,有显着的好处,暴露需求规划预测方法使用矩阵完成技术。本研究的目的是有助于更好地了解预测领域的多变量时间序列预测集中在大型商业数据集的层次结构的维度。这项研究突出表明,在这一分领域既没有进行充分的学术研究,也没有在商业部门的从业人员中进行传播。本研究针对相关商业问题,提出一种时间序列数据短期需求预测的矩阵补全方法。虽然计算密集型,这种方法优于最先进的,同时保持可访问的业务用户。研究对象是行业内大数据背景下时间序列的矩阵补全。研究的主题是预测产品需求的多变量层次时间序列预测技术,是精确的和访问的非技术业务专家。除了方法上的创新,本研究旨在向从业者介绍分层多变量时间序列预测的新方法。研究结果是感兴趣的组织需要精确的预测,但缺乏适当的人力资本来开发它们。
2020-09-09 stat.AP
A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Total E&P Research and Technology(道达尔勘探与生产研究和技术公司);Energy & Environmental Research Center, University of North Dakota(北达科他大学能源与环境研究中心)
快速同化监测数据,以更新地质不确定性下的压力恢复和二氧化碳(CO2)羽流迁移的预测是地质碳储存的一个具有挑战性的问题。高维参数空间数据同化的高计算成本阻碍了商业规模水库管理的快速决策。我们建议利用深度学习技术对多孔介质流动行为的物理理解来开发快速历史匹配-储层响应预测工作流程。该工作流程应用Encourage Smoother多重数据同化框架,通过地震反演解释的压力历史和CO2羽流的量化不确定性更新地质属性并预测储层性能。由于在这样的工作流程中计算成本最高的组件是油藏模拟,我们开发了替代模型来预测多井注入下的动态压力和CO2羽流范围。代理模型采用深度卷积神经网络,具体来说,是一个宽残差网络和一个残差U-网络。该工作流程针对代表碎屑陆棚沉积环境的平面三维储层模型进行了验证。智能处理被应用于真三维储层模型中的量与单层储层模型中的量之间的桥接。该工作流程可在主流个人工作站上在不到1小时的时间内完成历史拟合和具有不确定性量化的储层预测。
2022-01-10 cs.LG physics.geo-ph stat.AP
Comparing Prophet and Deep Learning to ARIMA in Forecasting Wholesale Food Prices
Idea-re S.r.l.(伊迪亚雷有限公司);Guglielmo Marconi University(古列尔莫·马可尼大学);Cancelloni Food Service S.p.A.(坎切洛尼餐饮服务股份公司)
正确设定销售价格对企业来说非常重要,因此价格时间序列的研究和预测不仅从数据科学的角度来看,而且从经济和应用的角度来看都是一个相关的主题。在本文中,我们研究了不同的技术来预测销售价格所适用的意大利食品批发商,作为一个步骤,对自动化的定价任务通常由人力劳动力。我们考虑ARIMA模型,并将其与Facebook基于广义加法模型的可扩展预测工具Prophet进行比较,并与利用长短期记忆(LSTM)和卷积神经网络(CNN)的深度学习模型进行比较。ARIMA模型在计量经济学分析中经常使用,为所研究的问题提供了一个很好的基准。我们的研究结果表明,ARIMA模型和LSTM神经网络在所考虑的预测任务中表现相似,而CNN和LSTM的组合获得了最佳的整体准确性,但需要更多的时间进行调整。相反,先知是快速和易于使用,但相当不准确。t整体准确性,但需要更多的时间来调整。相反,先知是快速和易于使用,但相当不准确。
2021-08-16 cs.LG stat.AP
M5 Competition Uncertainty: Overdispersion, distributional forecasting, GAMLSS and beyond
University of Duisburg-Essen(杜伊斯堡-埃森大学)
M5竞争不确定性跟踪旨在对数千种沃尔玛零售商品的销售进行概率预测。我们发现,M5竞争数据面临着强烈的过度分散和零星的需求,特别是零需求。我们讨论了由此产生的建模问题,充分的概率预测,这样的计数数据过程。不幸的是,M5竞赛中使用的大多数流行预测方法(例如lightgbm和xgboost GBM)由于考虑的目标函数而无法解决数据特征。分布式预测为克服这些问题提供了一种合适的建模方法。GAMLSS框架允许使用低维分布进行灵活的概率预测。我们举例说明,如何的GAMLSS方法可以应用于M5竞争数据建模的位置和尺度参数的各种分布,例如,负二项分布。最后,我们讨论了用于分布式建模的软件包及其缺点,如R包gamlss及其包扩展,以及(深度)分布式预测库,如TensorFlow Probability。
2021-11-10 cs.AI cs.LG stat.AP
On analysis of incomplete field failure data
许多商业产品都是通过经销商间接销售的。由于制造商通常不知道未退回产品的销售日期,因此制造商-零售商分销机制导致现场退回数据中存在严重的缺失数据问题。本研究考虑了销售日期和保修期限未知的现场故障数据的一般设置。一个随机期望最大化(SEM)算法的开发,以估计销售滞后(发货到零售商和销售给客户之间的时间)和研究中的产品的生命周期的分布。广泛的模拟被用来评估SEM算法的性能,并与Ghosh [Ann. Appl. Stat. 4(2010)1976-1999]。三个真实的例子说明了本文提出的方法。
2014-12-03 stat.AP
Exploring the representativeness of the M5 competition data
National Technical University of Athens(雅典国立技术大学);Beihang University(北京航空航天大学);University of Nicosia(尼科西亚大学)
M5竞赛的主要目标是预测沃尔玛的分层单位销售额,评估该领域预测方法的准确性和不确定性,以确定最佳做法并突出其实际影响。然而,零售企业能否推广和利用M5竞争的结果,以更好地支持其决策和经营,取决于M5数据与在不同地区经营、销售不同类型产品和考虑不同营销战略的零售商的单位销售数据的相似程度。为了回答这个问题,我们分析的M5时间序列的特点,并将它们与两个杂货零售商,即Corporación Favorita和一个主要的希腊连锁超市,使用特征空间。我们的研究结果表明,在检查的数据集之间只有很小的差异,支持M5数据的代表性。
2021-07-31 cs.LG stat.AP
Early warning in egg production curves from commercial hens: A SVM approach
Universidad Técnica de Machala(马查拉技术大学);Universidade A Coruña(拉科鲁尼亚大学)
人工智能可以改善我们的日常生活,例如,语音和手写文本识别,实时翻译和天气预报是常用的应用程序。在畜牧业领域,机器学习算法具有早期检测和预警问题的潜力,这是家禽业的一个重要里程碑。生产问题产生的经济损失可以通过及时采取行动来避免。在目前的研究中,支持向量机的训练和测试的解决方案,早期发现的问题,在生产曲线的商业鸡蛋,使用农场的鸡蛋生产数据的478,919蛋鸡分组在24个鸡群。使用具有5 k倍交叉验证的支持向量机的实验在不同的先前时间间隔进行,以最多5天的预测间隔来警告,鸡群是否会在生产曲线中遇到问题。对准确性、特异性、灵敏度和阳性预测值等性能指标进行了评价,在未知数据(测试集)上分别达到0天值0.9874、0.9876、0.9783和0.6518。最佳预测间隔为0 ~ 3天,性能指标随着预测间隔的增加而降低。需要强调的是,该技术能够提前一天发出警报,准确度为0.9854,特异性为0.9865,灵敏度为0.9333,阳性预测值为0.6135。这种新的应用程序嵌入在家禽管理的计算机系统中,能够提供与生产曲线相关的问题的早期检测和预警方面的显着改进。
2019-04-08 cs.LG stat.AP
Infinitely Stochastic Micro Forecasting
预测成本现在是经验经济学的首要任务。我们提出了一个非常规的工具,根据个人(微观)发展的记录事件的未来费用的随机预测。考虑一个公司、企业、机构或国家,它们拥有关于特定历史事件的知识。对于每一个事件,都有一系列相关的子事件:随着时间的推移,付款或损失,这一切最终都会导致一个无限随机的过程。然而,问题是,一些已经发生的事件不一定要报告。其目的在于预测来自已报告、发生但未报告以及尚未发生的事件的未来子事件流量。我们的方法是在定量风险评估上进行说明的,但是,它可以应用于其他领域,如初创公司、流行病、战争损害、广告和商业、数字支付或药物处方。作为一个理论贡献,无穷随机过程的推断。特别地,使用以非齐次泊松过程作为标记的非齐次泊松过程,其包括例如Cox过程作为特殊情况。
2019-09-19 econ.EM stat.AP