Ziele. Soll-Ist-Vergleich. Korrektur. Ursachenanalyse

Größe: px

Ab Seite anzeigen:

Download "Ziele. Soll-Ist-Vergleich. Korrektur. Ursachenanalyse"

Kristina Ritter
vor 6 Jahren
Abrufe

1 I

4 Ziele Korrektur Soll-Ist-Vergleich Ursachenanalyse

5 Soll-Ist-Vergleich Ziele Korrektur Soll-Ist-Vergleich Ziele Korrektur Simulation des Umsatzes Ursachenanalyse Ursachenanalyse

8 STORE 1115 STORETYPE A B C D ASSORTMENT A B C COMPETITION DISTANCE COMPETITION OPEN DATUM OPEN PROMO PROMO2 DAY OF WEEK HOLIDAY (State / School) CUSTOMERS SALES usw.

10 Linearer Trend Wochen Trend Jahres Trend Umsatz = Autoregressiver Anteil + Statistischer Rest

11 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben require(ore) ore.connect(user="usr", password="pwd", sid="orcl", host=" ", port=1521, all=true) ore.sync() data = ore.get("rossmann_all") data$customers = NULL data$schoolholiday = NULL data$assortment = NULL data$stateholiday = NULL data$storetype = NULL USW.

12 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben storenumber = 1 # dat = data[data$store==storenumber,] dat=ore.sort(data=dat,by='dat') # Daten raussuchen # Sortieren nach Datum anz_train=dim(train)[1] train$cnt=c(1:anz_train) # Variablengröße # Durchgehende Nummer

Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben # daten bereinigen: sales == NA mit Mittelwert füllen

13 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben # daten bereinigen: sales == NA mit Mittelwert füllen wo_leer = is.na(train$sales)==1 wo_nichtleer = is.na(train$sales)==0 &!train$dayofweek==7 train$salesorig[wo_leer] = mean(train$salesorig[wo_nichtleer])

14 orefit = ore.lm(salesorig ~ cnt, data = train[train$open==1,]) train$trend = orefit[[1]][2] * train$cnt # Regressionsgerade # Trendgerade: y = m*x

15 train$sales = train$salesorig - train$trend train$sales[train$open==0,] = 0 # Rest berechnen # Korrektur

17 # Wöchentlichen Trend berechnen season_week_promo0 = rep(0,7) season_week_promo1 = rep(0,7) for (i in 1:7){season_week_promo0[i] = median(train$sales[ train$dayofweek==i & train$promo==0 ]) season_week_promo1[i] = median(train$sales[ train$dayofweek==i & train$promo==1 ]) }

19 # Wöchentlichen Trend berechnen... # Wöchentlichen Trend zuweisen train$season_week = rep(0, anz_train) for (i in 1:7) {train$season_week[train$dayofweek==i & train$promo==0]=season_week_promo0[i] train$season_week[train$dayofweek==i & train$promo==1]=season_week_promo1[i] }

20 train$season_week_rest = train$sales - train$season_week

21 smoothi = ore.rollmean(train$season_week_rest, k = 21, align="center") #Gleitender Mittelwert zaehl = c(1:365,1:365,1:(anz_train )) tmp = rep(0,365) #Vektoren initiieren for (i in 1:365){ tmp[i] = median(smoothi[zaehl==i])} #Mittelwerte bilden train$season_year = c(tmp,tmp,tmp[1:(anz_train )]) train$season_year_rest = train$season_week_rest-train$season_year #Zuweisen #Abziehen

22 ax 1 +bx 2 +cx 3 +dx 4 = y

23 ax 1 +bx 2 +cx 3 +dx 4 = y

24 ax 1 +bx 2 +cx 3 +dx 4 = y

$function (lag, anz_train-lag, data) {.$

25 ax 1 +bx 2 +cx 3 +dx 4 = y autoregression = function (lag, anz_train-lag, data) {... output=list(xx,a) }

26 tmp = ore.pull( ore.doeval(autoregression,lag,sp,train$season_year_rest)) xx=tmp[[1]] a=tmp[[2]] rm(tmp) # Autoregression train tmp = rep(0,anz_train) for (i in (lag+1):anz_train) { tmp[i] = xx[i-lag,]%*%a } train$autoreg=tmp

27 # Autoregression Vorhersage tmp = rep(0,anz_dat) tmp=c(ore.pull(train$autoreg),rep(0,(anz_dat-anz_train) )) for (i in 1:(anz_dat-anz_train+1)) { wo = anz_train+i-1 tmp[wo] = t(tmp[(wo-lag):(wo-1)])%*%a } dat$autoreg=tmp

28 dat$autoreg_pred = dat$autoreg + dat$season_year + dat$season_week + dat$trend dat$autoreg_pred[dat$open==0] = 0 Linearer Trend Wochen Trend Jahres Trend Umsatz = Autoregressiver Anteil + Statistischer Rest

29 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13

30 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13

31 Wikipedia. CC BY-SA 3.0

32 rfmod <- ore.randomforest(formula, DATA, ntree=1000) tree <- grabtree(rfmod, k = 500) rfpred <- predict(rfmod, DATA,... )

33 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13 Random Forest (Machine Learning): alle Variablen (Umsatz, Filialen-Typ, Entfernung zur Konkurrenz, ) RMS 0,12

34 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13 Random Forest (Machine Learning): alle Variablen (Umsatz, Filialen-Typ, Entfernung zur Konkurrenz, ) RMS 0,12 Gewinner (Gert, NL): Random Forest: alle Variablen + externe Daten (Wetter, Großereignisse, ) RMS 0,10

Ähnliche Dokumente

Bild Nummer 1: Bild Nummer 2: Seite B 1

Bild Nummer 1: Bild Nummer 2: Seite B 1 Bild Nummer 3: Bild Nummer 4: Seite B 2 Bild Nummer 5: Bild Nummer 6: Seite B 3 Bild Nummer 7: Bild Nummer 8: Seite B 4 Bild Nummer 9: Bild Nummer 10: Seite B 5