ใช่มีวิธีทำเช่นนี้ ผู้คนทำให้การใช้ชีวิตของพวกเขาทำสิ่งนี้ ;-)
คุณกำลังมองหาการคาดการณ์สาเหตุ ดูหนังสือออนไลน์ฟรีเล่มนี้เกี่ยวกับการพยากรณ์เพื่อเรียนรู้เกี่ยวกับวิธีการพยากรณ์
คุณมีสองประเด็นสำคัญในมือของคุณที่คุณต้องจัดการกับ: ฤดูกาล (หรือโดยทั่วไปโครงสร้างอนุกรมเวลาอาจมีการตอบโต้อัตโนมัติ) ในมือข้างหนึ่งและผลกระทบเชิงสาเหตุเช่นการส่งเสริมการขายในมืออื่น ๆ บทที่ 8ในตำราเรียนด้านบนเกี่ยวข้องกับเนื้อหาอนุกรมเวลาในบริบทของ ARIMA ในขณะที่บทที่ 5เกี่ยวข้องกับเอฟเฟกต์เชิงสาเหตุ
มีความสุขมากพอที่จะแก้ไขปัญหาทั้งสองได้ด้วยการคำนวณ ARIMAX (X หมายถึง "ผลกระทบภายนอก" เช่นโมเดล ARIMA พร้อมเอฟเฟกต์ภายนอก) หรือการถดถอยด้วยข้อผิดพลาด ARIMA ดูโพสต์บล็อกของ Rob Hyndman ในหัวข้อ "The ARIMAX model muddle"เพื่อความแตกต่าง auto.arima()ฟังก์ชั่นในforecastแพคเกจ R จะพอดีกับการถดถอยมีข้อผิดพลาด ARIMA ลองมาดูตัวอย่างที่ฉันใช้ชุดข้อมูลมาตรฐานที่มีแนวโน้มและฤดูกาลและเพิ่ม "การส่งเสริม"
library(forecast)
AirPassengers # a built-in dataset
# Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
# 1949 112 118 132 129 121 135 148 148 136 119 104 118
# 1950 115 126 141 135 125 149 170 170 158 133 114 140
# 1951 145 150 178 163 172 178 199 199 184 162 146 166
# 1952 171 180 193 181 183 218 230 242 209 191 172 194
# 1953 196 196 236 235 229 243 264 272 237 211 180 201
# 1954 204 188 235 227 234 264 302 293 259 229 203 229
# 1955 242 233 267 269 270 315 364 347 312 274 237 278
# 1956 284 277 317 313 318 374 413 405 355 306 271 306
# 1957 315 301 356 348 355 422 465 467 404 347 305 336
# 1958 340 318 362 348 363 435 491 505 404 359 310 337
# 1959 360 342 406 396 420 472 548 559 463 407 362 405
# 1960 417 391 419 461 472 535 622 606 508 461 390 432
set.seed(1) # for reproducibility
promos <- rep(0,length(AirPassengers))
promos[sample(seq_along(AirPassengers),10)] <- 1
promos.future <- c(0,1,0,0,1,0,0,1,0,0,1,0)
AP.with.promos <- AirPassengers
AP.with.promos[promos==1] <- AP.with.promos[promos==1]+120
model <- auto.arima(AP.with.promos,xreg=promos)
summary(model) # examine the model - you'll see the estimated promo coefficient
# Series: AP.with.promos
# ARIMA(0,1,1)(0,1,0)[12]
# Coefficients:
# ma1 promos
# -0.3099 122.2599
# s.e. 0.0947 2.2999
# sigma^2 estimated as 151.2: log likelihood=-457.4
# AIC=920.79 AICc=920.98 BIC=929.42
# Training set error measures:
# ME RMSE MAE MPE MAPE MASE ACF1
# Training set 0.2682805 11.12974 8.24397 0.06139784 2.867274 0.1860814 0.0008326436
fcast <- forecast(model,xreg=promos.future,h=length(promos.future))
fcast
# Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
# Jan 1961 447.1516 431.3951 462.9081 423.0542 471.2490
# Feb 1961 543.4115 524.2670 562.5559 514.1326 572.6904
# Mar 1961 449.1516 427.1345 471.1687 415.4793 482.8239
# Apr 1961 491.1516 466.5956 515.7076 453.5964 528.7068
# May 1961 624.4115 597.5556 651.2674 583.3389 665.4841
# Jun 1961 565.1516 536.1777 594.1255 520.8399 609.4633
# Jul 1961 652.1516 621.2044 683.0988 604.8220 699.4812
# Aug 1961 758.4115 725.6095 791.2135 708.2452 808.5778
# Sep 1961 538.1516 503.5942 572.7090 485.3006 591.0026
# Oct 1961 491.1516 454.9237 527.3795 435.7459 546.5573
# Nov 1961 542.4115 504.5869 580.2361 484.5637 600.2593
# Dec 1961 462.1516 422.7950 501.5082 401.9608 522.3424
promos.ts <- ts(c(AP.with.promos,fcast$mean),
start=start(AirPassengers),frequency=frequency(AirPassengers))
promos.ts[c(promos,promos.future)==0] <- NA
plot(fcast)
points(promos.ts,pch=19,col="red")
จุดสีแดงคือการส่งเสริมการขาย โดยค่าเริ่มต้นคุณจะได้รับช่วงการคาดคะเนเป็นสีเทา คุณสามารถป้อนหลาย regressors ในแบบจำลองของคุณผ่านxregพารามิเตอร์ซึ่งคุณควรทำถ้าคุณมีการส่งเสริมประเภทต่างๆ ที่มีลักษณะพิเศษแตกต่างกัน ทดลองเล็กน้อย
ฉันขอแนะนำให้ดูข้อมูลที่ละเอียดยิ่งกว่ารายเดือนหากคุณมีข้อมูลเช่นรายสัปดาห์ โดยเฉพาะอย่างยิ่งถ้าโปรโมชันของคุณไม่ทำงานเต็มเดือน คุณสามารถทำสิ่งนี้แยกต่างหากตามผลิตภัณฑ์อีกครั้งโดยเฉพาะอย่างยิ่งถ้าคุณส่งเสริมผลิตภัณฑ์ที่เฉพาะเจาะจงหรือในหมวดหมู่ทั้งหมด
อีกทางเลือกหนึ่งคือให้คุณสนใจแนวคิดมากกว่าโค้ดเพื่อดูการปรับให้เรียบแบบเอกซ์โปเนนเชียลและเปลี่ยนให้เหมาะกับความต้องการของคุณโดยการเพิ่มส่วนประกอบส่งเสริมการขายให้กับองค์ประกอบสามระดับฤดูกาลและเทรนด์มาตรฐาน คุณสามารถทำสิ่งต่าง ๆ ได้มากขึ้นด้วยการเอ็กซ์โปเนนเชียลสมูทติ้งมากกว่าการพยายามประเมินความเป็นไปได้สูงสุดของแบบจำลอง ARIMAX แต่การปรับให้เรียบอาจกลายเป็นฝันร้ายของการทำบัญชีหากคุณมีโปรโมชันหลายประเภท