B. Szabłowski, A. Foltyn - Powrót do Przyszłości. Modelowanie wzorców i prognozy w danych panelowych
🔹Powrót do Przyszłości. Modelowanie wzorców i prognozy w danych panelowych
🔹Bartosz Szabłowski, Adrian Foltyn
Zła prognoza popytu dla firmy produkcyjnej skutkuje nadmiarem lub niedoborem zapasów, zwiększonymi kosztami operacyjnymi, czy niezadowoleniem klientów. Przedstawimy porównanie metod opartych na analizie danych panelowych, gdzie celem jest prognoza sprzedaży do klientów końcowych w sieciach będących klientami producenta, w oparciu o historyczną sprzedaż oraz promocje wydarzające się w sklepach.
W naszym podejściu wykorzystujemy różnorodne przekroje danych, szukając zależności globalnych i lokalnych, jak również zależności pomiędzy szeregami czasowymi. Przedstawimy, jakie wyzwania są związane z charakterystyką naszych danych i jak radzimy sobie z nimi. Połączenie zalet inżynierii cech i tradycyjnych metod statystycznych oraz modeli uczenia maszynowego umożliwia nam modelowanie złożonych i nieliniowych wzorców popytu. Zestawimy ze sobą wyniki prognoz różnymi metodami, od modeli statystycznych w połączeniu z modelem uczenia maszynowego, takich jak LME i RF, poprzez najnowsze podejścia oparte na głębokim uczeniu, takie jak MLP (TiDE czy TSMixer), aż po zaawansowane sieci neuronowe typu N-BEATS/N-HiTS. Odniesiemy się też do realnych korzyści biznesowych oraz działania modelu w produkcji, uwzględniając stabilność prognoz, ich interpretowalność oraz koszty związane z obliczeniami.