論文の概要: Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective

• arxiv url: http://arxiv.org/abs/2002.00949v1
• Date: Mon, 3 Feb 2020 14:50:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:49:38.936440
• Title: Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective
• Title（参考訳）: 利益志向型営業予測:ビジネスから見た予測手法の比較
• Authors: Tine Van Calster, Filip Van den Bossche, Bart Baesens, Wilfried Lemahieu
• Abstract要約: 本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。 モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
• 参考スコア（独自算出の注目度）: 3.613072342189595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Choosing the technique that is the best at forecasting your data, is a problem that arises in any forecasting application. Decades of research have resulted into an enormous amount of forecasting methods that stem from statistics, econometrics and machine learning (ML), which leads to a very difficult and elaborate choice to make in any forecasting exercise. This paper aims to facilitate this process for high-level tactical sales forecasts by comparing a large array of techniques for 35 times series that consist of both industry data from the Coca-Cola Company and publicly available datasets. However, instead of solely focusing on the accuracy of the resulting forecasts, this paper introduces a novel and completely automated profit-driven approach that takes into account the expected profit that a technique can create during both the model building and evaluation process. The expected profit function that is used for this purpose, is easy to understand and adaptable to any situation by combining forecasting accuracy with business expertise. Furthermore, we examine the added value of ML techniques, the inclusion of external factors and the use of seasonal models in order to ascertain which type of model works best in tactical sales forecasting. Our findings show that simple seasonal time series models consistently outperform other methodologies and that the profit-driven approach can lead to selecting a different forecasting model.
• Abstract（参考訳）: データを予測するのに最適なテクニックを選択することは、どんな予測アプリケーションでも発生する問題です。 数十年にわたる研究の結果、統計学、計量学、機械学習(ML)に由来する膨大な量の予測手法が生まれ、予測演習において非常に困難で精巧な選択をもたらす。 本稿では,コカ・コーラ社の産業界データと公開データセットの両方からなる35シリーズの多種多様な技術を比較し,高い戦術的販売予測を実現することを目的とする。 しかし,本論文では,予測結果の正確性にのみ注目するのではなく,モデル構築と評価プロセスの両方において手法が生み出す期待利益を考慮し,新規かつ完全に自動化した利益駆動アプローチを提案する。 この目的のために使用される期待利益関数は、予測精度とビジネスの専門知識を組み合わせることで、どんな状況にも容易に理解し、適応できる。 さらに, 戦術的販売予測において, どのようなモデルが最適かを確認するために, ml技術の付加価値, 外部要因の包含, 季節モデルの利用について検討した。 本研究は, 季節時系列モデルが他の手法より一貫して優れており, 利益主導型アプローチは異なる予測モデルを選択することに繋がることを示した。

関連論文リスト

• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Forecasting Company Fundamentals [19.363166648866066]
  実企業データに基づく予測モデルについて,22の決定論的・確率的企業基盤を評価した。 ディープラーニングモデルは,従来のモデルよりも優れた予測性能を提供する。 これらの高品質な予測が、自動株式配分にどのような恩恵をもたらすかを示す。
  論文  参考訳（メタデータ） (2024-10-21T14:21:43Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Optimizing Sales Forecasts through Automated Integration of Market Indicators [0.0]
  本研究では、顧客需要予測を改善するために市場指標を自動的に選択・統合するデータ駆動技術の可能性を検討する。 探索的手法を採用することで、国内GDP成長などのマクロ経済時系列をtextitNeural Prophet や textitSARIMAX 予測モデルに統合する。 外部情報を組み込むことで予測が大幅に向上できることが示せる。
  論文  参考訳（メタデータ） (2024-05-15T08:11:41Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)
• Estimating defection in subscription-type markets: empirical analysis from the scholarly publishing industry [0.0]
  本稿では,学術出版業界における顧客チャーン予測の実証的研究について紹介する。 本研究は,6.5年間の顧客定期購読データに対する予測手法について検討した。 このアプローチは、ビジネス対ビジネスのコンテキストにおいて、正確かつ一意に有用であることを示します。
  論文  参考訳（メタデータ） (2022-11-18T01:29:51Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Using Machine Learning to Forecast Future Earnings [2.476455202580687]
  我々は,企業基本の予測に基づいて,機械学習モデルの適用可能性と適合性を評価した。 我々のモデルは、アナリストが企業の基本についてより良い予測を行うのに好適な補助ツールとして機能することがすでに証明されている。
  論文  参考訳（メタデータ） (2020-05-26T16:39:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。