Build your ultimate AI agent
Deskripsi Kursus
Memprediksi permintaan produk secara akurat memungkinkan perusahaan tetap selangkah di depan pasar. Dengan memahami faktor yang membentuk permintaan, Anda dapat mengarahkan perilaku terkait produk dengan lebih baik. Kursus ini membuka proses memprediksi permintaan produk menggunakan R. Anda akan mempelajari cara mengidentifikasi pendorong penting permintaan, melihat efek musiman, dan meramalkan permintaan untuk hierarki produk dari contoh dunia nyata. Pada akhir kursus, Anda akan mampu meramalkan permintaan untuk banyak produk di berbagai wilayah dalam satu negara bagian di AS. Lalu Anda akan mengakumulasikan ramalan ini dari berbagai wilayah dalam negara bagian yang sama untuk membentuk sistem peramalan hierarkis yang lengkap.
Prasyarat
Kurikulum
Garis besar kursus
1
Peramalan Permintaan dengan Deret Waktu
Untuk peramalan, pemodelan deret waktu adalah tempat yang tepat untuk mulai! Anda perlu meramalkan nilai permintaan penjualan di masa depan dan pendekatan dasar yang baik adalah model ARIMA. Di bab ini Anda akan mempelajari cara menerapkan model ARIMA dengan cepat dan memperoleh ramalan awal yang baik untuk permintaan produk di masa depan.
- Memuat data ke dalam objek xts50 XP
- Mengimpor data100 XP
- Memplot / memvisualisasikan data100 XP
- Pengantar Deret Waktu ARIMA 10150 XP
- Fungsi auto.arima()100 XP
- Menginterpretasikan auto.arima50 XP
- Peramalan dan Evaluasi50 XP
- Fungsi forecast100 XP
- Menghitung MAPE dan MAE100 XP
- Memvisualisasikan Prakiraan100 XP
- Interval Kepercayaan untuk Peramalan100 XP
2
Komponen Permintaan
Teori ekonomi banyak membahas tentang memprediksi nilai permintaan. Jelas, faktor eksternal seperti harga, musiman, dan waktu promosi akan memengaruhi beberapa aspek permintaan produk. Di bab ini Anda akan mempelajari dasar-dasar model elastisitas harga dan cara memasukkan faktor musiman serta waktu promosi ke dalam ramalan permintaan produk kita.
3
Menggabungkan Regresi dengan Deret Waktu
Model deret waktu dan regresi harga tidak harus dipandang sebagai pendekatan yang terpisah untuk peramalan permintaan produk. Keduanya dapat dikombinasikan! Di bab ini Anda akan mempelajari dua cara "menggabungkan" informasi yang diperoleh dari kedua pendekatan pemodelan tersebut—transfer function dan penggabungan ramalan (forecast ensembling).
4
Peramalan Hierarkis
Sampai titik ini, semuanya membahas pembuatan model individual untuk meramalkan permintaan produk. Namun, kita belum memanfaatkan fakta bahwa semua produk tersebut membentuk hierarki penjualan. Produk membentuk wilayah dan wilayah membentuk negara bagian. Bagaimana kita memastikan bahwa ramalan kita selaras dengan benar naik dan turun dalam hierarki? Di bab ini Anda akan mempelajari peramalan hierarkis dan cara menggunakannya untuk keuntungan Anda dalam meramalkan permintaan produk.
R
Peramalan Permintaan Produk dengan R
Kursus
Selesai
