In letzter Zeit flüstert der Einzelhandel auch mit Big Data und KI, und es gibt jeden Tag verschiedene Konsultationen von jeder Abteilung. Vor allem in letzter Zeit gibt es viele zukünftige Fälle wie "Ich möchte, dass Sie den Umsatz des nächsten Monats vorhersagen", "Wie viel soll ich nächste Woche verkaufen", "Sollte ich nächsten Monat zusätzliche Verkaufsförderung durchführen" von der Filialabteilung. Über den Verkauf.
Früher lag das Ziel bei 105% im Vergleich zum Vorjahresmonat, aber die sinkende Geburtenrate und die alternde Bevölkerung, der Inbound-Tourismus, ungewöhnliches Wetter und andere Veränderungen in der Welt haben den Vergleich zum Vorjahr unbrauchbar gemacht. Daher möchte ich wissen, wie viel es verkaufen wird und wie viel es nicht verkaufen wird, wenn es wie gewohnt im Geschäft durchgeführt wird, und es als Standard verwenden, um darüber nachzudenken, wie viel es bei Veranstaltungen und Anzeigen hinzufügen soll.
Ich arbeite jetzt an Daten, aber ich bin eine knusprige literarische Person, daher bin ich mit den komplexen Methoden der Statistik nicht vertraut. Am Anfang habe ich versucht, Vorhersagen zu treffen, indem ich durch Regressionsanalyse stetig Informationen über Wetter, Verkaufsförderungsmaßnahmen und umliegende Ereignisse eingegeben habe, aber die Genauigkeit hat sich überhaupt nicht verbessert. .. ..
Zu dieser Zeit, als ich verschiedene Dinge recherchierte, fand ich heraus, dass es eine "Zeitreihenanalyse" gibt, um Aktien vorherzusagen.
"Statistiken, die die ganze Menschheit verstehen", "[Vorhersage des Publikumsratenübergangs von TV Asahi mit dem SARIMA-Modell](https: // s Ich möchte die Zeitreihenanalyse nach meinem Verständnis unter Bezugnahme auf ": //qiita.com/mshinoda88/items/749131478bfefc9bf365)" organisieren. (Es tut mir leid, wenn ich einen Fehler gemacht habe. Bitte sagen Sie es mir ohne schwierige Formeln ...)
In der Regressionsanalyse, die ich ursprünglich durchgeführt habe, habe ich versucht, Verkäufe mit völlig anderen Variablen wie folgt zu erklären.
Der Umsatz= a{1} *Temperatur+ a{2} *Werbekosten+・ ・ ・
Wenn der Umsatz eines Tages jedoch 10 Millionen Yen beträgt, wie hoch wird der Umsatz des nächsten Tages sein? Es wird keine Million Yen sein. Im Gegenteil, es werden nicht 100 Millionen Yen sein. Wahrscheinlich 12 Millionen Yen oder 8 Millionen Yen, ich denke, dass ich keinen großen Unterschied zum Umsatz des Vortages machen werde.
Daher besteht die Methode darin, die Genauigkeit zu verbessern, indem die vergangenen Verkäufe wie folgt als erklärende Variablen verwendet werden.
Der Umsatz{n} = a{1} * Der Umsatz{n-1} + a{2} * Der Umsatz{n-2} +・ ・ ・
Es scheint, dass dies AR (Self-Return) genannt wird.
Wenn für die Selbstrückgabe von 1 der Umsatz des letzten Monats höher als der ursprüngliche ist, wird davon ausgegangen, dass ein Umsatzvoraussetzung vorliegt, und die Möglichkeit, dass der Umsatz in diesem Monat sinkt, wird berücksichtigt. Dies kann ausgedrückt werden als:
Der Umsatz{n} = b{1} *Error{n} + b{2} *Error{n-1} +・ ・ ・
Es scheint, dass dies MA (gleitender Durchschnitt) genannt wird.
Es ist einfach, wenn der Zyklus wiederholt wird, aber es ist nicht der strenge Teil der tatsächlichen Zeitreihe. Es scheint in schwierigen Worten "instationärer Prozess" genannt zu werden.
Es scheint, dass wir den Aufwärtstrend und den Abwärtstrend eher als mittel- bis langfristigen Trend als als kurzfristigen Trend betrachten sollten.
Es wird gesagt, dass diese 1 bis 3 zusammen als ARIMA-Modell (Auto Regressive Integrated Moving Average) bezeichnet werden. Das Gefühl, dass AR und MA vereint sind, ist cool.
Selbst wenn Sie dies bisher tun, wird sich die Genauigkeit nicht verbessern. Aber genau das wissen Einzelhändler. Es sollte Saisonalität geben, zum Beispiel, dass der Umsatz im Februar und September nicht jedes Jahr steigt, aber das habe ich nicht berücksichtigt.
Obwohl es saisonabhängig ist, denke ich, dass es verschiedene Zyklen gibt.
Es scheint, dass das SARIMA-Modell diese Zyklen berücksichtigen kann.
Bisher haben wir die Elemente der Zeitreihe gesehen, aber ich möchte auch die plötzlichen Elemente einbeziehen.
――Wetter: Es regnet nicht nur, sondern es gibt auch in letzter Zeit ungewöhnliches Wetter. ――Event: Wenn es in der Nähe des Geschäfts ein sportliches Treffen oder Festival gibt, wird dies allein den Umsatz erheblich steigern. ――Wettbewerb: Wenn in der Nähe ein Konkurrenzgeschäft eröffnet wird, sinkt der Umsatz danach um einen bestimmten Betrag von 10 bis 10%.
Es scheint, dass das ARIMAX-Modell diese externen Variablen berücksichtigt.
State Space Model von Python Ein Modell mit + Dateninterpretation, das dem ARIMA-Modell hinzugefügt wurde, wird als Zustandsraummodell bezeichnet.
Bibliothek zur Vorhersage von Zeitreihendaten - PyFlux- Es scheint, dass es PyFlux als Bibliothek gibt, die ARIMA-, ARIMAX- und State-Space-Modelle implementieren kann.
Prognose der Anzahl der Fluggäste im nächsten Monat mit RNN Diese sind wie neuronale Netze
Diesmal entschuldigen mich alle Briefe. Ab dem nächsten Mal werde ich tatsächlich eine Zeitreihenanalyse versuchen.
Recommended Posts