Build your ultimate AI agent
Kursbeskrivning
Att kunna förutsäga efterfrågan på produkter ger ett företag ett försprång på marknaden. Genom att förstå vilka faktorer som driver efterfrågan kan du påverka beteenden kring dina produkter mer effektivt. Den här kursen går igenom hur du prognostiserar produktefterfrågan med hjälp av R. Du lär dig att identifiera viktiga drivkrafter bakom efterfrågan, analysera säsongsmönster och förutsäga efterfrågan för en produkthierarki baserad på ett verkligt exempel. I slutet av kursen kan du prognostisera efterfrågan för flera produkter inom en region i en delstat i USA. Sedan aggregerar du dessa prognoser över många olika regioner i samma delstat för att bygga ett komplett hierarkiskt prognostiseringssystem.
Förkunskapskrav
Kursplan
Kursöversikt
1
Prognostisering av efterfrågan med tidsserier
När det gäller prognostisering är tidseriemodellering ett utmärkt sätt att börja. Du behöver förutsäga framtida försäljningsefterfrågan, och ARIMA-modeller är en bra grundläggande metod. I det här kapitlet lär du dig att snabbt implementera ARIMA-modeller och ta fram goda initiala prognoser för framtida produktefterfrågan.
- Läsa in data i ett xts-objekt50 XP
- Importera data100 XP
- Plotta och visualisera data100 XP
- ARIMA-tidsserier 10150 XP
- Funktionen auto.arima()100 XP
- Tolka auto.arima50 XP
- Prognostisering och utvärdering50 XP
- Forecast-funktionen100 XP
- Beräkna MAPE och MAE100 XP
- Visualisera prognosen100 XP
- Konfidensintervall för prognos100 XP
2
Efterfrågans komponenter
Ekonomisk teori har mycket att säga om att förutsäga efterfrågevärden. Externa faktorer som pris, säsongsvariation och tidpunkten för kampanjer påverkar naturligtvis produktefterfrågan i viss utsträckning. I det här kapitlet lär du dig grunderna i priselasticitetsmodeller och hur du inkorporerar säsongs- och kampanjfaktorer i dina produktefterfrågansprognoser.
3
Kombinera regression med tidsserier
Tidseriemodeller och prisregressioner behöver inte betraktas som separata angreppssätt för prognostisering av produktefterfrågan – de kan kombineras. I det här kapitlet lär du dig två sätt att slå samman informationen från båda modelleringsansatserna: transferfunktioner och prognosensemblering.
4
Hierarkisk prognostisering
Allt fram till det här kapitlet handlar om att skapa enskilda modeller för prognostisering av produktefterfrågan. Vi har dock ännu inte utnyttjat det faktum att alla dessa produkter bildar en produkthierarki av försäljning – produkter ingår i regioner och regioner ingår i delstater. Hur säkerställer vi att våra prognoser stämmer överens uppåt och nedåt i hierarkin? I det här kapitlet lär du dig om hierarkisk prognostisering och hur du kan använda den till din fördel när du prognostiserar produktefterfrågan.
R
Prognostisering av produktefterfrågan i R
Kurs
slutförd
