Прогнозирование бизнес драйверов
Python, pandas, любые библиотеки для прогнозирования
В качестве данных будут предоставлены csv-файлы, содержащие исторические данные по бизнес-драйверам. Все данные
представлены с гранулярностью 1 день.
- data1.csv — файл с данными по количеству чеков из торговой точки продуктовой розницы.
- data2.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
- data3.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
- data4.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
- data5.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
Помимо предоставленных данных можно использовать любые дополнительные данные из открытых источников.
Прогнозы нужны не только метеорологам. Правительства прогнозируют экономический рост. Ученые пытаются предсказать численность населениz. А предприятия прогнозируют спрос на продукцию — обычная задача специалистов по анализу данных.
Прогнозы особенно актуальны для обычных магазинов, будь то продуктовые магазины или торговые точки сотовых операторов. В частности, прогнозы помогают рассчитать потребность в персонале. Как раз этим и занимается наша компания. Мы формируем графики работы сотрудников магазинов, основываясь на прогнозах бизнес-драйверов. Под «бизнес-драйверами» мы понимаем ключевые показатели, которые определяют финансовую и операционную деятельность торговой точки. Типичными примерами бизнес-драйверов являются трафик (количество вошедших человек), количество чеков, количество проданных товаров и т. д. Если
прогнозировать немного больше, то придется вывести больше людей на смену и увеличится фонд оплаты труда. Если прогнозировать немного меньше, то возникнет нехватка персонала, что приведет к очередям и потере дохода. Более точное прогнозирование, благодаря машинному обучению, может помочь ритейлерам угодить клиентам, формируя гибкие графики работы.
Необходимо разработать решение для задачи прогнозирования временных рядов бизнес-драйверов и произвести прогноз на следующий календарный месяц. Лучшие решения послужат дополнением к уже существующему решению.
Так как нам приходится работать с более чем 10 000 рядов, нам очень важна скорость формирования прогноза. Поэтому мы вводим ограничение на скорость работы алгоритма. На формирование прогноза на один временной ряд должно отводиться не более 4-х минут (240 секунд). Этот аспект также будет учитываться при оценке решений.
Из-за того, что эксперты будут проверять работоспособность решения, оно должно быть воспроизводимым.