After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
การพยากรณ์ความต้องการสินค้าได้อย่างแม่นยำช่วยให้บริษัทก้าวนำตลาดได้อยู่เสมอ เมื่อเข้าใจปัจจัยที่ส่งผลต่อความต้องการ ก็สามารถวางกลยุทธ์เกี่ยวกับสินค้าได้อย่างมีประสิทธิภาพมากขึ้น คอร์สนี้จะพาคุณเรียนรู้กระบวนการพยากรณ์ความต้องการสินค้าด้วย R ตั้งแต่การระบุปัจจัยสำคัญที่ขับเคลื่อนความต้องการ การวิเคราะห์ผลกระทบตามฤดูกาล ไปจนถึงการพยากรณ์ความต้องการสินค้าหลายรายการในลำดับชั้นจากกรณีศึกษาจริง เมื่อจบคอร์ส จะสามารถพยากรณ์ความต้องการสินค้าหลายชนิดในหลายภูมิภาคของรัฐหนึ่งในสหรัฐอเมริกาได้ จากนั้นจะรวบรวมผลการพยากรณ์เหล่านั้นข้ามภูมิภาคต่าง ๆ ของรัฐเดียวกัน เพื่อสร้างระบบพยากรณ์แบบลำดับชั้นที่สมบูรณ์
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
การพยากรณ์ความต้องการด้วย Time Series
สำหรับการพยากรณ์ การสร้างแบบจำลอง time series ถือเป็นจุดเริ่มต้นที่ดีเยี่ยม เพื่อพยากรณ์ค่าความต้องการในอนาคต แนวทางพื้นฐานที่เหมาะสมคือโมเดล ARIMA ในบทนี้ คุณจะได้เรียนรู้วิธีสร้างโมเดล ARIMA อย่างรวดเร็วและได้ผลการพยากรณ์ความต้องการสินค้าในอนาคตที่ดีตั้งแต่ต้น
- การโหลดข้อมูลลงใน xts object50 XP
- การนำเข้าข้อมูล100 XP
- การพล็อตและแสดงผลข้อมูล100 XP
- ARIMA Time Series 10150 XP
- ฟังก์ชัน auto.arima()100 XP
- แปลความหมายผลลัพธ์ของ auto.arima50 XP
- การพยากรณ์และการประเมินผล50 XP
- ฟังก์ชัน forecast100 XP
- การคำนวณ MAPE และ MAE100 XP
- การแสดงผลการพยากรณ์100 XP
- Confidence Intervals สำหรับการพยากรณ์100 XP
2
องค์ประกอบของความต้องการ
ทฤษฎีเศรษฐศาสตร์มีส่วนช่วยในการพยากรณ์ค่าความต้องการได้มาก ปัจจัยภายนอก เช่น ราคา ฤดูกาล และช่วงเวลาของโปรโมชัน ล้วนส่งผลต่อความต้องการสินค้าทั้งสิ้น ในบทนี้ คุณจะได้เรียนรู้พื้นฐานของโมเดลความยืดหยุ่นของราคา รวมถึงวิธีนำปัจจัยด้านฤดูกาลและช่วงเวลาโปรโมชันมาใช้ในการพยากรณ์ความต้องการสินค้า
3
การผสานการถดถอยกับ Time Series
โมเดล time series และการถดถอยตามราคาไม่จำเป็นต้องมองเป็นแนวทางแยกจากกันในการพยากรณ์ความต้องการสินค้า แต่สามารถนำมาผสมรวมกันได้ ในบทนี้ คุณจะได้เรียนรู้ 2 วิธีในการ "ผสาน" ข้อมูลที่ได้จากทั้งสองแนวทาง ได้แก่ transfer functions และการรวมผลการพยากรณ์ (forecast ensembling)
4
การพยากรณ์แบบลำดับชั้น
เนื้อหาทั้งหมดจนถึงจุดนี้เน้นการสร้างโมเดลแยกเดี่ยวสำหรับพยากรณ์ความต้องการสินค้า แต่ยังไม่ได้ใช้ประโยชน์จากความจริงที่ว่าสินค้าทั้งหมดเหล่านี้ก่อให้เกิดลำดับชั้นของยอดขาย กล่าวคือ สินค้าประกอบเป็นภูมิภาค และภูมิภาคประกอบเป็นรัฐ แล้วจะทำให้ผลการพยากรณ์สอดคล้องกันทั้งขึ้นและลงตามลำดับชั้นได้อย่างไร ในบทนี้ คุณจะได้เรียนรู้เกี่ยวกับการพยากรณ์แบบลำดับชั้นและวิธีนำมาใช้ให้เกิดประโยชน์สูงสุดในการพยากรณ์ความต้องการสินค้า
R
การพยากรณ์ความต้องการสินค้าใน R
เรียนจบแล้ว
