Build your ultimate AI agent
Opis kursu
Dokładne prognozowanie popytu na produkty pozwala firmie wyprzedzać rynek. Znajomość czynników kształtujących popyt umożliwia lepsze zarządzanie zachowaniami wokół produktów. Ten kurs wprowadza w proces prognozowania popytu z wykorzystaniem języka R. Nauczysz się identyfikować kluczowe czynniki wpływające na popyt, analizować efekty sezonowe oraz prognozować popyt dla hierarchii produktów na podstawie rzeczywistych danych. Pod koniec kursu będziesz potrafić prognozować popyt dla wielu produktów w różnych regionach jednego stanu w USA, a następnie agregować te prognozy dla kolejnych regionów, tworząc kompletny hierarchiczny system prognozowania.
Wymagania wstępne
Program kursu
Plan kursu
1
Prognozowanie popytu za pomocą szeregów czasowych
Gdy chodzi o prognozowanie, modele szeregów czasowych to świetny punkt wyjścia. Musisz przewidzieć przyszłe wartości popytu na produkty, a dobrym podejściem bazowym są modele ARIMA. W tym rozdziale nauczysz się szybko implementować modele ARIMA i uzyskiwać solidne wstępne prognozy przyszłego popytu.
- Wczytywanie danych do obiektu xts50 XP
- Importowanie danych100 XP
- Wizualizacja danych na wykresie100 XP
- ARIMA – szeregi czasowe w praktyce50 XP
- Funkcja auto.arima()100 XP
- Interpretacja auto.arima50 XP
- Prognozowanie i ocena wyników50 XP
- Funkcja forecast100 XP
- Obliczanie MAPE i MAE100 XP
- Wizualizacja prognozy100 XP
- Przedziały ufności dla prognozy100 XP
2
Składniki popytu
Teoria ekonomii ma wiele do powiedzenia na temat prognozowania popytu. Czynniki zewnętrzne, takie jak cena, sezonowość czy terminy promocji, w oczywisty sposób wpływają na popyt. W tym rozdziale poznasz podstawy modeli elastyczności cenowej oraz nauczysz się uwzględniać sezonowość i promocje w prognozach popytu na produkty.
3
Łączenie regresji z szeregami czasowymi
Modele szeregów czasowych i regresje cenowe nie muszą być traktowane jako odrębne podejścia do prognozowania popytu – można je łączyć. W tym rozdziale poznasz dwa sposoby łączenia informacji uzyskanych z obu typów modeli: funkcje transferowe oraz ensembling prognoz.
4
Prognozowanie hierarchiczne
Wszystko, co omówiliśmy do tej pory, dotyczy budowania osobnych modeli prognozowania popytu. Nie wykorzystaliśmy jednak faktu, że wszystkie te produkty tworzą hierarchię sprzedażową. Produkty składają się na regiony, a regiony na stany. Jak zapewnić, że prognozy będą spójne na każdym poziomie hierarchii? W tym rozdziale poznasz prognozowanie hierarchiczne i nauczysz się je stosować w prognozowaniu popytu na produkty.
R
Prognozowanie popytu na produkty w R
Kurs
ukończony
