tgoop.com/practicum_math/673
Create:
Last Update:
Last Update:
Или сколько операторов понадобится в колл-центре через неделю. Или какое количество контрактов может запланировать завод на год производства.
Большой бизнес, маленький бизнес — всем нужно уметь предсказывать спрос. И лучший способ для этого — линейная регрессия.
Мы расспросили Ваню Максимова, руководителя ML-персонализации в Яндекс.Маркете, как применять инструмент в реальных задачах. Вот на что он обратил внимание:
Если вы закупаете товар 2 раза в неделю, то прогноз спроса по часам вам не нужен. При этом сам спрос распределен по закону Пуассона. Он очень шумный при количестве продаж < 10, и уже похож на нормальное распределение при бóльших числах. Желательно выбирать такой уровень агрегации, где:
спрос > 10 штук за период
В субботу спрос будет выше, чем в понедельник, в теплую и холодную погоду он тоже может отличаться. Чтобы это учесть, нужно в качестве признаков считать лаги спроса во времени и их агрегации. Например, среднее или максимум за последние 1-4 недели:
прирост спроса = а0 + а1 * средний прирост спроса за 4 недели
Или прогнозировать не сам спрос, а прирост спроса неделя-к-неделе:
прирост спроса = спрос сегодня - спрос неделю назад
Мало кто знает, но на коэффициенты линейной регрессии можно накладывать ограничения (a_i > 0). Это нужно, чтобы при росте цены спрос в среднем падал.
Ещё стоит помнить, что цены бывают регулярные и промо. Учитывайте в признаках оба варианта.
Прирост спроса = а0 + а1 * средний прирост спроса за 4 недели + a2 * прирост цены + a3 * идёт ли промо + а4 * размен скидки, где a2<0, a3>0, a4>0
Если хочется ещё глубже нырнуть в тему — у Вани в канале сегодня вышел материал с математическим взглядом на линейную регрессию.
Читайте, если хотите глубже разобраться в том, как математика применяется в ML и бизнесе
