After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Точне прогнозування попиту на товари допомагає компанії випереджати ринок. Розуміючи, що формує попит, ви зможете краще спрямовувати поведінку навколо своїх продуктів. Цей курс відкриває процес прогнозування попиту на товари за допомогою R. Ви навчитеся визначати ключові чинники попиту, враховувати сезонні ефекти та прогнозувати попит для ієрархії продуктів на реальному прикладі. Наприкінці курсу ви зможете прогнозувати попит на кілька продуктів у межах регіону одного штату США. Далі ви агрегуєте ці прогнози для багатьох регіонів того самого штату, щоб побудувати повноцінну ієрархічну систему прогнозування.
Попередні вимоги
Навчальний план
Зміст курсу
1
Прогнозування попиту за часовими рядами
Для прогнозування чудовою відправною точкою є моделювання часових рядів! Вам потрібно спрогнозувати майбутні значення попиту на продажі, і хорошою базовою стратегією будуть моделі ARIMA. У цьому розділі ви навчитеся швидко реалізовувати моделі ARIMA та отримувати якісні початкові прогнози майбутнього попиту на продукт.
- Завантаження даних в об'єкт xts50 XP
- Імпорт даних100 XP
- Побудова графіків / візуалізація даних100 XP
- Основи часових рядів ARIMA 10150 XP
- Функція auto.arima()100 XP
- Інтерпретація auto.arima50 XP
- Прогнозування та оцінювання50 XP
- Функція прогнозування100 XP
- Обчислення MAPE та MAE100 XP
- Візуалізація прогнозу100 XP
- Довірчі інтервали для прогнозу100 XP
2
Складові попиту
Економічна теорія багато пояснює щодо прогнозування значень попиту. Зовнішні чинники, як-от ціна, сезонність і час проведення акцій, очевидно впливають на окремі аспекти попиту на продукт. У цьому розділі ви ознайомитеся з основами моделей цінової еластичності та дізнаєтеся, як враховувати сезонність і час акцій у наших прогнозах попиту на продукт.
3
Поєднання регресії з часовими рядами
Моделі часових рядів і цінові регресії не обов'язково розглядати як окремі підходи до прогнозування попиту. Їх можна поєднати! У цьому розділі ви дізнаєтеся про два способи «поєднання» інформації з обох підходів до моделювання – трансферні функції та ансамблювання прогнозів.
4
Ієрархічне прогнозування
Дотепер ми будували окремі моделі для прогнозування попиту на продукти. Однак ми ще не використали перевагу того, що всі ці продукти утворюють ієрархію продажів. Продукти формують регіони, а регіони формують штати. Як забезпечити узгодження прогнозів угору й униз ієрархією? У цьому розділі ви дізнаєтеся про ієрархічне прогнозування та про те, як використати його на користь у прогнозуванні попиту на продукт.
R
Прогнозування попиту на товари в R
Курс
завершено
