Author(s): Yashashri Shiral
Awalnya diterbitkan di Menuju AI.
Prediksi Penjualan| Pentingnya Sales forecasting| Menggunakan Pembelajaran Mesin| Pemahaman Ujung-ke-Ujung | Bagian 1
Peramalan Penjualan menentukan bagaimana perusahaan berinvestasi dan tumbuh untuk menciptakan dampak besar pada penilaian perusahaan. Pada artikel ini, Anda akan belajar bagaimana melakukan prediksi penjualan menggunakan teknik Machine Learning.
Prakiraan Penjualan oleh CX Hari Ini
Saya membagi artikel ini menjadi 4 bagian,
Bagian 1- Pahami apa yang dimaksud dengan Prediksi/Perkiraan Penjualan dan EDA
Bagian 2- Implementasi model Time Series
Bagian 3 – Implementasi model Deep Learning (segera hadir)
Bagian 4- Implementasi model pembelajaran Mesin yang Diawasi (segera hadir)
Konsep-
Peramalan, dengan kata sederhana, berarti memprediksi atau memperkirakan tren masa depan/membuat keputusan berdasarkan data masa lalu atau sekarang. Peramalan digunakan di berbagai industri, dari bisnis kecil hingga perusahaan besar, untuk memahami permintaan pelanggan sehingga perusahaan dapat membuat keputusan yang tepat tentang perencanaan keuangan, manajemen keberhasilan pelanggan, dan pengendalian rantai pasokan.
Peramalan Penjualan– adalah proses memprediksi berapa banyak pendapatan yang dapat dihasilkan oleh perusahaan, tim, atau orang dalam jangka waktu tertentu. Prakiraan penjualan yang akurat memungkinkan para pemimpin bisnis membuat keputusan yang lebih cerdas tentang menetapkan tujuan, penganggaran, perekrutan, pencarian calon pelanggan, dan menentukan cara mendorong pertumbuhan perusahaan. Jadi, dalam banyak hal, peramalan penjualan mempengaruhi setiap orang dalam organisasi. Menurut laporan Mckinsey, prakiraan permintaan pabrikan global turun secara teratur sebesar 30% atau lebih. Akibatnya, tim mengandalkan insting untuk menghasilkan sasaran penjualan.
Pentingnya Peramalan Penjualan:
Prakiraan penjualan memungkinkan Anda menemukan potensi masalah selagi masih ada waktu untuk memitigasinya Penyelarasan kuota penjualan dan ekspektasi pendapatan Kemampuan untuk memfokuskan tim penjualan pada peluang saluran penjualan dengan pendapatan tinggi dan laba tinggi, menghasilkan tingkat kemenangan yang lebih baik
Mengapa ML dalam penjualan?
Sebagai Ilmuwan Data, Anda harus dapat menerapkan statistik/Pembelajaran Mesin secara efektif. Tetapi dalam situasi dunia nyata, itu tidak berhenti di situ. Katakanlah Anda sedang membangun model ML untuk memprediksi penjualan. Maka pertama-tama seseorang harus memahami mengapa Anda melakukan proyek ini, bagaimana hal itu akan memengaruhi bisnis, dan bagaimana Anda dapat meningkatkan hasil bisnis dengan membangun model ini. Jika Anda tidak memahami nilai bisnis yang terkait dengan data Anda, itu akan menjadi sampah masuk, sampah keluar dari model ml Anda.
Sekarang mari kita pahami di mana ML berperan dalam penjualan. ML dapat digunakan dalam mengotomatiskan tugas-tugas biasa dan memungkinkan tenaga penjualan memfokuskan waktu mereka pada peluang yang paling berkualitas. Tujuan utamanya adalah melakukannya dengan lebih efisien tanpa harus berinvestasi dalam mempekerjakan lebih banyak tenaga penjualan. Di masa lalu, sebagian besar aktivitas penjualan didasarkan pada intuisi perwakilan penjualan. Pembelajaran mesin digunakan untuk memprediksi kesepakatan mana yang akan ditutup. ML membantu dalam memprediksi tren penjualan di masa mendatang, di mana seseorang dapat membuat dasbor interaktif yang akan memberikan satu sumber kebenaran ke seluruh organisasi. Perwakilan penjualan selalu mencari prospek baru dan cara untuk meningkatkan jalur penjualan mereka dan menutup lebih banyak penjualan. Pembelajaran mesin dapat membantu dengan memberikan wawasan baru tentang perilaku dan pola pelanggan. ML memungkinkan bisnis untuk membuat model peramalan yang lebih canggih yang memanfaatkan kumpulan data yang lebih besar dengan sedikit usaha manusia.
metode ML
Ada dua cara untuk memprediksi nilai penjualan di masa mendatang →
Model Rangkaian Waktu — Anda dapat menerapkan metode rangkaian waktu, yang terdiri dari penggunaan beberapa model signifikan untuk meramalkan kesimpulan di masa depan berdasarkan hasil masa lalu yang diketahui. Data deret waktu adalah serangkaian pengukuran yang terjadi dalam interval waktu yang konstan. Di sini, waktu bertindak sebagai variabel bebas, dan tujuan (untuk mempelajari perubahan karakteristik) adalah variabel terikat. Model yang diawasi — Anda dapat menggunakan model yang Diawasi jika Anda mengekstrak musiman dan memasukkannya ke dalam variabel. misalnya, sebagai tahun, bulan, atau hari dalam seminggu, dll., bersama dengan fitur lain yang kemudian akan digunakan sebagai variabel ‘x’ (tergantung), dan ‘y’ adalah nilai sebenarnya dari deret waktu (dalam hal ini kasus, nilai penjualan) Pembelajaran Mendalam dan model terbaru — Anda dapat menggunakan model mendalam seperti LSTM untuk memprediksi nilai penjualan. Atau Nabi, yang dikembangkan oleh Facebook dan merupakan perpanjangan dari model AR dasar. Alih-alih menggunakan nilai variabel target yang tertinggal, model menyediakan bentuk tambahan dari rekayasa fitur.
Sekarang mari kita bahas dasar-dasar Time Series →
Trendline Trend — Jika deret waktu memanifestasikan kemiringan jangka panjang yang positif dari waktu ke waktu, ia memiliki tren naik tren negatif jika memiliki tren turun Musiman — Musiman mengacu pada fluktuasi berkala. Musiman selalu memiliki frekuensi tetap. misalnya, penjualan toko penjualan mantel naik di musim dingin Stasioner — Deret waktu dikatakan stasioner jika sifat-sifatnya tidak berubah dari waktu ke waktu yaitu, deret waktu memiliki rata-rata dan varian konstan. Autokorelasi – Sederhananya, autokorelasi adalah kesamaan antara pengamatan sebagai fungsi dari jeda waktu di antara mereka.
Model deret waktu
Model deret waktu digunakan untuk meramalkan peristiwa berdasarkan data historis. Jenis umum termasuk ARIMA, smooth-based, dan moving average. Tidak semua model akan memberikan hasil yang sama untuk kumpulan data yang sama, jadi sangat penting untuk menentukan model mana yang bekerja paling baik berdasarkan deret waktu individual.
Model berbasis pemulusan — Dalam peramalan deret waktu, pemulusan data adalah teknik statistik yang melibatkan penghapusan outlier dari kumpulan data deret waktu untuk membuat pola lebih terlihat. Smoothing data menghapus atau mengurangi variasi acak dan menunjukkan tren yang mendasari dan komponen siklik.
Moving-average model — adalah pendekatan umum untuk memodelkan deret waktu univariat. Rata-rata bergerak menentukan bahwa variabel output bergantung secara linier pada nilai saat ini dan berbagai nilai masa lalu. misalnya AR, MA, ARMA, ARIMA
Model pemulusan eksponensial — adalah teknik jempol untuk menghaluskan data deret waktu menggunakan fungsi jendela eksponensial. Pemulusan eksponensial adalah prosedur yang mudah dipelajari dan diterapkan untuk membuat beberapa penentuan berdasarkan asumsi sebelumnya oleh pengguna, seperti musiman. misalnya metode Holt-Winters
Memasukan data –
Saya menggunakan data penjualan mingguan Walmart dari Kaggle untuk melakukan analisis.
Pernyataan Masalah — Kami ingin memprediksi penjualan mingguan, dan kami ingin memahami dampak liburan atau faktor lainnya terhadap penjualan mingguan.
Analisis Data Eksplorasi —
Sekarang mari kita mulai memahami data terlebih dahulu sebelum menerapkan model apa pun, yang akan membantu kita memilih model dan metodologi yang tepat untuk prediksi penjualan.
Seperti yang Anda lihat di tabel, Anda memiliki penjualan mingguan dan beberapa fitur lain yang dapat membantu kami memahami apa yang mendorong lebih banyak penjualan atau sebaliknya.
Informasi tentang data masukan
Mari kita pahami distribusi variabel-variabel ini —
Distribusi Toko dan Departemen
Distribusi Penjualan Mingguan dan Temp
Distribusi IHK dan Pengangguran
Seperti yang ditunjukkan pada grafik, Penjualan mingguan tidak terdistribusi secara normal.
Sekarang mari kita pahami jika ada korelasi antara variabel numerik dan Penjualan.
Korelasi Pearson
Terdapat korelasi yang rendah antara Pengangguran, Suhu, Harga Bahan Bakar, CPI & Ukuran dengan Penjualan Mingguan. CPI/pengangguran dan Toko/Ukuran berkorelasi negatif. Tetapi Departemen dan Ukuran memiliki korelasi positif dengan penjualan Mingguan (walaupun tidak kuat)
Kami memiliki informasi tentang 81 departemen, tetapi total ada 99 departemen.
Departemen Unik
Sekarang mari kita lihat bagaimana fitur ini didistribusikan sehubungan dengan penjualan mingguan.
Pada grafik di bawah ini terlihat, Nilai penjualan mingguan tinggi untuk nomor departemen 38,40,65, 72,90,92,95.
Departemen Penjualan Mingguan bijaksana
Seperti yang Anda lihat, Tipe A memiliki penjualan mingguan lebih tinggi daripada Tipe B dan C.
Penjualan Mingguan untuk Type
Sekarang mari kita bayangkan jika penjualan mingguan naik selama liburan seperti Super Bowl, Hari Buruh, Thanksgiving, dan Natal.
Penjualan mingguan untuk liburan
Kami dapat mengatakan bahwa setiap kali ada Hari Libur, penjualan Mingguan naik sedikit. Sekarang mari kita pahami hari libur mana yang mendorong penjualan ini.
Penjualan mingguan untuk Super Bowl
Penjualan Mingguan untuk hari buruh
Penjualan Mingguan untuk Thanksgiving
Penjualan Mingguan untuk Natal
Seperti yang Anda lihat di atas, hanya selama Thanksgiving penjualan mingguan melebihi jumlah tertentu. Itu turun selama Natal dan hampir tidak berpengaruh selama hari Super Bowl dan Buruh.
Penjualan selama periode waktu —
Penjualan Bulanan
Penjualan mingguan naik menjelang akhir tahun selama tiga tahun, 2010,2011,2012.
Penjualan Mingguan
Untuk tujuan pemahaman, kami akan mencoba semua 3 pendekatan pemodelan dan akan membandingkan hasilnya. Namun seperti yang terlihat di atas, fitur seperti Ukuran, Departemen, Toko, dan Liburan memiliki efek marjinal pada Penjualan, sepertinya model deret waktu atau model pembelajaran mendalam LSTM, atau model ML yang diawasi mungkin memberikan hasil yang lebih baik.
Mari kita pahami itu di Bagian 2,3 dan 4
Tolong beri tepuk tangan jika Anda merasa informatif dan sebutkan di komentar jika saya harus memperbaiki sesuatu.
Prediksi Penjualan| Pentingnya Sales forecasting| Menggunakan Pembelajaran Mesin| End-to-End… awalnya diterbitkan di Towards AI on Medium, di mana orang melanjutkan percakapan dengan menyorot dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI
