Seyrek Talep Tahminleme Sistemi
Seyrek ürün talebi için üretim odaklı bir tahminleme akışı tasarladım; satış var/yok sınıflandırmasını satış miktarı regresyonu ve özyinelemeli çok adımlı tahminle birleştirdim.
Ürün
0k
Günlük ürün serileri
Geçmiş
0 yıl
Kayan zaman pencereleri
Sıfır talep
0%
Seyrek hedef kayıtları
Metrikler
WAPE / RMSSE
Tahmin kalitesi
Problem
Günlük ürün talebi büyük ölçüde sıfır satış kayıtlarından oluşuyordu. Bu durum doğrudan regresyonu kararsız hale getiriyor ve veri sızıntısı olmadan doğrulamayı zorlaştırıyordu.
Zorluk
Temel zorluk, birçok ürün ufkunu kayan doğrulama pencerelerinde özyinelemeli tahmin ederken zamansal bütünlüğü korumaktı.
Mimari
Parçalar nasıl bir araya geliyor?
İlk aşama ikili sınıflandırma ile satış olasılığını tahmin eder. İkinci aşama LightGBM Tweedie regresyonu ile koşullu satış miktarını hesaplar. Özyinelemeli tahmin döngüsü, önceki tahminleri gecikmeli ve kayan özelliklere adım adım geri besler.
Mimari Görünüm
Sistem yapısı ve karar akışı
Satış / Satış Yok
İkili sınıflandırıcı seyrek gerçekleşme olasılığını tahmin eder.
Miktar
LightGBM Tweedie koşullu talep miktarını tahmin eder.
Özyinelemeli Ufuk
Tahminler gecikmeli ve kayan özellikleri adım adım günceller.
Eğitim penceresi
Doğrulama 1
Doğrulama 2
Gelecek ufuk
Veri Seti / Girdiler
- 20k ürün, üç yıllık günlük satış verisi, güçlü biçimde seyrek ürün seviyesi hedefler ve yaklaşık %85 sıfır-talep satırı.
Teknik Kararlar
- Satış gerçekleşme ihtimalini ve satış miktarını ayrı modelleme aşamalarına böldüm.
- Negatif olmayan seyrek miktar tahmini için LightGBM Tweedie regresyonu kullandım.
- Özyinelemeli tahmini doğrulama sırasında üretim simülasyonu gibi ele aldım.
- Sıfır-talep precision, recall ve F1 metriklerini toplam tahmin hatasından ayrı takip ettim.
Uygulama Detayları
- Gecikmeli ve kayan özellikler çok adımlı tahmin sırasında her ufukta yeniden hesaplandı.
- Kayan doğrulama pencereleri zaman sırasını korudu ve geleceğe bakmayı engelledi.
- Raporlama WAPE, RMSSE, MAE, RMSE ve sınıflandırma metriklerini birlikte içerdi.
- Özellik üretimi ürün bazlı günlük durum güncellemeleri etrafında organize edildi.
Metrikler / Sonuçlar
- Sistem yorumlanabilir talep/tedariksizlik kararları üretti; WAPE ve RMSSE metriklerini kayan pencerelerde izledi ve sıfır-talep precision/recall değerlerini miktar hatasından ayrı değerlendirdi.
Çıkarımlar
- Seyrek talep tahmini kısmen bir sınıflandırma problemidir.
- Özyinelemeli özellikler kullanılıyorsa doğrulama kodu tahmin koduna benzemelidir.
- Tek bir metrik hem satış-yok kararlarını hem de miktar kalitesini açıklayamaz.
Gelecek İyileştirmeler
- Satış var/yok eşikleri için olasılık kalibrasyonu eklemek.
- Ürün kategorileri üzerinde hiyerarşik toplulaştırmayı karşılaştırmak.
- Mevsimsel ürün davranışları için drift takibi eklemek.