关键挑战
很容易查看历史数据，并查看指向现在需求现实的模式。但是，更难以到达使用相同数据的模型来正确识别将来也会重复的模式。我们的零售客户之一面临着找到一种自动化需求的挑战，基于需求历史和市场，渠道和销售生态系统的不断变化的现实。
影响
85.％
通过频道，产品类别和时间段预测销售额超过85％
达到短期阶数的能力更好;然后简化预算，销售计划和仓储运营
帮助点燃畅销书;推动收入增长，改善商品和季节性规划，简化的履行，并改善股票的境地，以潜在的收入增长1％至2％
解决方案
在平台中建立了一个解决方案
为经销商，品牌和零售商设计，测试和推出 - 自动化需求预测模型（作为预先集成的分析解决方案套件的一部分），基于不同的参数，如渠道，类别和SKU以及来自的数据宏观生态系统
即插即用需求建模工具
该模型赋予商品规划者，具有渠道 - 明智的交通和需求的整体观点实时观点
收获的整体需求情报：
需求是由市场情绪和营销促销促销引起的业务驱动的可变性的形状。预测方法可以在整合所有可变性因素时，以更高的准确度衡量需求。我们提取了历史销售数据，分析销售和变量之间的因果关系 - 包括季节，本周星期，一周中的一天，日常节日，庆祝活动和结束季节促销活动。我们分析了主SKU和汇总定期水平的需求，以确定预测需求趋势的最合适的统计方法和时间范围，最小预测误差。探索性数据分析（EDA）介绍了分解数据集并构建此预测模型的好方法。
转变为预测的见解：
我们采用多个时间序列模型，以确保在每一层预测水平都考虑了所有相关参数，包括渠道和类别，如渠道和类别。我们还在R和Tableau中创建了从EDA的洞察力，增强了建模的准确性。我们使用的Auto.arima，STLF和ETS在R中的函数来生成点预测，实际预测和预测值的平均值，以及TBATS时间序列分解方法来测量各种组件和破译模式。我们选择最合适的时间序列技术来预测多维数据，并包括集合机器学习算法来摄取新数据点，提高预测的可信度。
建立知情的业务计划：
我们建立了一个即插即用的需求建模工具，为运营规划提供商业智能。目前销售和未来需求的仪表板使商品规划者能够随时随地查看渠道明智的流量，以及随时随地的需求的尖峰和低谷。
下一个案例研究
