Прогнозирование производительности продавца

Вопрос или проблема

Id      Month   Units
65381   201703  467.0
65381   201710  3.0
65381   201712  6.0
65381   201803  20.0
65381   201805  2.0
65381   201807  20.0
65381   201812  16.0
65381   201904  2.0

library(lubridate)
library(tidyverse)

#create fake data
n_var <- 50
id <- sample(x=seq(from=1,to=4),size=n_var,replace=TRUE)
dte <- sample(seq(as.Date('2018/01/01'), as.Date('2019/01/01'), by="day"), size=n_var)
sales <- runif(min=0,max=25,n=n_var)

sales_data <- data.frame(id,dte,sales) %>% 
  mutate(
    weeknumber=week(dte),
    month=month(dte),
    qtr=quarter(dte)

  )

#fit an OLS model
ols_model <- sales_data %>% 
  group_by(id) %>% 
  summarise(
    week_model=list(lm(sales~weeknumber)),
    month_model=list(lm(sales~month)),
    qtr_model=list(lm(sales~qtr))
    )

#extract coefficients
ols_model$week_model[[1]]$coefficients
ols_model$month_model[[1]]$coefficients
ols_model$qtr_model[[1]]$coefficients

ols_model$week_model[[2]]$coefficients
ols_model$month_model[[2]]$coefficients
ols_model$qtr_model[[3]]$coefficients

#simple version on one id
df <- sales_data %>% 
  filter(id==1)

mod <- lm(sales~qtr,data=df)
mod$coefficients

Ответ или решение

Прогнозирование Производительности Продавцов

Прогнозирование производительности продавцов требует тщательного анализа данных и правильного выбора методологии моделирования. В вашем случае вы собираетесь прогнозировать продажи на еженедельной, ежемесячной, квартальной и годовой основе, основываясь на данных о проданных единицах за последние три года. Рассмотрим, как можно использовать ваши данные для прогнозирования, в частности с использованием моделей ARIMA и линейного моделирования.

Подготовка Данных

Ваши данные содержат идентификатор продавца, месяц и количество проданных единиц. Формат ваших данных, с точки зрения временного ряда, действительно подходит для применения модели ARIMA. Однако для начала важно убедиться, что данные представляют собой непрерывный временной ряд. Вам необходимо сгруппировать продажи по времени, таким образом, чтобы каждая запись показывала общее количество продаж за определённый период (неделя, месяц и т.д.).

Пример вашего исходного набора данных:

Id      Month   Units
65381   201703  467.0
65381   201710  3.0
65381   201712  6.0
65381   201803  20.0
65381   201805  2.0
65381   201807  20.0
65381   201812  16.0
65381   201904  2.0

Подход к Моделированию

Вам необходимо агрегировать данные, чтобы получить количество единиц, проданных каждым продавцом за нужные временные интервалы. Важно также учитывать влияние сезонности и трендов, что можно сделать на основе временных меток.

1. Модели ARIMA

ARIMA (AutoRegressive Integrated Moving Average) подходит для анализа временных рядов, но требует, чтобы ваши данные были стационарными. Прежде чем применять ARIMA:

• Проверка на стационарность: Используйте тесты, такие как тест Дикки-Фуллера, чтобы определить, можно ли считать ваши данные стационарными или необходимо применять дифференцирование.
• Параметры модели: Определите параметры p (порядок авторегрессии), d (разности) и q (порядок скользящего среднего) с помощью анализа ACF и PACF.

2. Линейные Модели

Вы также можете использовать простые линейные модели, как показано в вашем коде. Такой подход позволяет исследовать связь между количеством продаж и временными переменными (неделя, месяц, квартал):

library(lubridate)
library(tidyverse)

# Создание данных
n_var <- 50
id <- sample(x=seq(from=1,to=4), size=n_var, replace=TRUE)
dte <- sample(seq(as.Date('2018/01/01'), as.Date('2019/01/01'), by="day"), size=n_var)
sales <- runif(min=0, max=25, n=n_var)

sales_data <- data.frame(id, dte, sales) %>% 
  mutate(
    weeknumber = week(dte),
    month = month(dte),
    qtr = quarter(dte)
  )

# Подгонка линейной модели
ols_model <- sales_data %>% 
  group_by(id) %>% 
  summarise(
    week_model = list(lm(sales ~ weeknumber)),
    month_model = list(lm(sales ~ month)),
    qtr_model = list(lm(sales ~ qtr))
  )

Рекомендации по Прогнозированию

1. Агрегируйте данные: Для ARIMA используйте месячные или недельные агрегированные данные для повышения точности модели.
2. Изучайте остатки: После подгонки модели проверяйте остатки на наличие автокорреляции и выполните сравнение различных моделей.
3. Сравните методы: Проведите сравнение полученных результатов от ARIMA и линейных моделей. Иногда комбинация методов (например, ансамбли) может дать более точные прогнозы.
4. Учитывайте внешние факторы: Возможно, есть переменные, которые могут оказывать влияние на продажи (сезонность, акции, изменения в экономике и т.д.). Обязательно учитывайте их в анализе.

Заключение

Прогнозирование производительности продавцов с использованием данных о продажах — это задача, требующая глубокого анализа и понимания методов статистического моделирования. Используя подходы ARIMA и линейное регрессионное моделирование, вы можете эффективно оценивать и предсказывать влияние различных факторов на производительность продавца. Таким образом, ваше решение будет более обоснованным, что позволит вашей организации принимать более выгодные решения, основанные на прогнозах.