• Skip to primary navigation
  • Skip to main content

Stratis

Stratis

  • hu
  • Rólunk
  • Kulcsemberek
  • Szolgáltatások
    • Vezetési tanácsadás
    • IT menedzsment
    • Információ- és adatmenedzsment
    • Komplex, üzletileg kritikus projektek szakmai menedzsmentje
  • Adatvezérelt megoldások
    • Ipari megoldások
    • A.N.I.T.A.
    • Anomália felderítés
  • Referenciák
  • Karrier
    • Pozíciók
    • Kiválasztási folyamat
  • Blog
  • Kapcsolat

Hogyan mérjük fel a kereslet várható mértékét? – 2. rész

Cikkünk előző részében górcső alá vettük az adat szerepét a kereslet előrejelzésében, és bemutattuk egyik korábbi projektünket, mely során létrehoztunk egy modellt, hogy közel egy hónapra előre tudjuk jelezni az eladásokat. A mai cikkben összegezzük a tapasztalatokat, és kiderül, hogy mindez sikerült-e!  

 

A modell létrehozása 

Korábbi tapasztalataink alapján a Gradient Boosting Tree modell mellett döntöttünk, mely több hasonló feladat során már bizonyított. Az iteratív “feature engineering” is egy ilyen típusú modellen történt, a hiperparaméterek optimalizálása pedig akkor történt meg, amikor a rendelkezésre álló adathalmazt már véglegesnek tekintettük.   

A feladat eredményeképpen négy különböző modellt készítettünk, melyek a következő négy hét keresletének napi előrejelzését végzik az összes üzlet, összes termékére vonatkozóan. Jogos lehet a kérdés, hogy miért pont négy modellt használtunk, hiszen a logikusan hangzik, hogy több (pl. napi szintű vagy üzlet szintű) modell jobb eredményre lehet képes. Amellett, hogy az eredmények nem indokolták, ennek gyakorlati okai is vannak. Egy vállalati környezetbe integrált gépi tanulási eljárás kiértékelésének fontos szempontja a pontosság mellett az üzemeltethetőség és a karbantartás, amely kevesebb számú modell esetén egyszerűbb. 

A modellek tesztelése 

A termékek előre jelzett értékesítését úgy kaptuk meg, hogy a rendelkezésünkre álló adatok utolsó 28 napját levágtuk, félretettük tesztelésre, majd ezen a teszthalmazon futtattuk a betanított modelleket.  Minden iterációban egy fixált mérőszámot, az átlagos négyzetes hibát (RMSE, Root Mean Squared Error) vizsgáltunk. Ezt a mérőszámot használtuk az adott adathalmaz, új leírók (feature-ök) és a modell verziók teljesítményének méréséhez. A következő iteráció sikerességét mindig annak alapján ítéltük meg, hogy mennyit tudott javítani az RMSE-n. Ez alapján fejlesztettük a feature-öket és a modellt, míg egy olyan megoldásig jutottunk, ami elég jó predikciókat tudott adni. 

 

…és az eredmények 

Mint azt cikkünk előző részében említettük, az adatokat egy Kaggle versenyből szereztük, így nem meglepő módon az általunk legtöbbet figyelt mérőszám az egész projekt alatt a versenyben elért helyezés volt, noha a céljaink között ez egyáltalán nem szerepelt. Érdemes volt figyelni, ugyanis végeredményünk a 27. helyre lett volna elég, amivel a körülményekhez képest teljesen elégedettek voltunk. 

A lényeg mindenképp az előrejelzés pontossága volt, ahol szintén jól teljesítettünk, bár néhány esetben az elérhető adatok erősen limitálták azt: 

  • A modell jól teljesített, amennyiben a termék a teljes időszak alatt, vagy annak nagy részében rendelkezett eladással. Új termékeknél csak igen korlátozottan működött az előrejelzés. 
  • A modell jól teljesített, amennyiben az értékesített darabszám viszonylag nagy. A 0-5 darabos napi értékesítéssel rendelkező termékeknél a modell láthatóan sima átlagot adott. 
  • Az időnként érthetetlen nagy csúcsokat, amik nem voltak köthetőek konkrét eseményhez vagy szezonhoz, a modell nem pontosan jelezte előre, de a trendet eltalálta. 

A feladatot regressziós problémaként fogtuk meg, így azt is megtudtuk, mik a legfontosabb, az előrejelzést leginkább befolyásoló leírók: 

  • item_id: A termék számmá kódolt azonosítója; 
  • week: Az év hányadik hete; 
  • mday: A hónap hányadik napja; 
  • lag_35: A 35 nappal ezelőtti eladások száma; 
  • rmax_28_7: A maximális eladásszám 28-35-el ezelőtti napok közt. 

 

Modellprojektünk végül sikerrel zárult, és ez a siker megerősített minket abban, hogy bátran ajánljuk a termelő és kereskedelmi ügyfeleinknek a gépi tanuló algoritmusokra épülő kereslet-előrejelzést, amennyiben rendelkezésre áll elegendő hosszúságú idősor, és a termékek kereslete periódusonként nem minimális. Ha az Ön vállalkozásának is hasonló jellegű szolgáltatásra lenne szüksége, ne habozzon keresni minket!  

Kapcsolat

Rólunk

  • Cégismertető
  • Kulcsemberek
  • Adatvédelmi tájékoztató

Szolgáltatások

  • IT menedzsment
  • Információ és adatmenedzsment
  • Komplex, üzletileg kritikus projektek szakmai menedzsmentje
  • Vezetési tanácsadás

Iparág / Referenciák

  • Bankok
  • Biztosítók
  • Egészségügy
  • Közigazgatás
  • Távközlés

Karrier

  • Pályakezdők, frissdiplomások
  • Tapasztalt szakemberek
  • Kiválasztási folyamat

Közbeszerzés

  • Közbeszerzési projektek
Széchenyi Terv 2020

Stratis Vezetői és Informatikai Tanácsadó Kft. - Minden jog fenntartva.
1037 Budapest, Szépvölgyi út 139. Tel: +36-1-454-1900 Fax: +36-1-454-1901 Email: info@stratis.hu

We use cookies on our website to give you the most relevant experience by remembering your preferences and repeat visits. By clicking “Accept”, you consent to the use of ALL the cookies.
Cookie settingsACCEPT
Manage consent

Privacy Overview

This website uses cookies to improve your experience while you navigate through the website. Out of these, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may affect your browsing experience.
Necessary
Always Enabled
Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
Non-necessary
Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.
SAVE & ACCEPT