Verkaufsförderungsmaßnahmen im Einzelhandel vorhersagen
Letzte Aktualisierung: 11. Feb. 2025
Verkaufsförderungsmaßnahmen im Einzelhandel vorhersagen
In diesem Tutorial werden zwei Modelle erstellt, um die Auswirkungen zukünftiger Verkaufsförderungsmaßnahmen vorherzusagen, und anschließend werden die Modelle miteinander verglichen.
Ähnlich wie beim Tutorial zur Zustandsüberwachung besteht der Data-Mining-Prozess aus den Phasen Exploration, Datenaufbereitung, Training und Test. Nicht alle Daten in der " telco.csv -Datei sind für die Vorhersage der Abwanderung geeignet. Sie können den Filter verwenden, um nur Daten auszuwählen, die als wichtig für die Verwendung als Prädiktor angesehen werden (die im Modell als wichtig markierten Felder).
Vorschau des Lernprogramms anzeigen
Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Die Benutzeroberfläche, die im Video gezeigt wird, kann geringfügig abweichen. Das Video ist als Ergänzung zum schriftlichen Tutorial gedacht. Dieses Video bietet eine visuelle Methode, um die Konzepte und Aufgaben in dieser Dokumentation zu erlernen.
Versuchen Sie das Tutorial
In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:
In diesem Tutorial wird der Ablauf der Einzelhandelsverkaufsaktion im Beispielprojekt verwendet. Die verwendete Datendatei ist goods2n.csv. Das folgende Bild zeigt ein Beispiel für den Ablauf der Modellierung.
Abb. 1. Ablauf der Modellierung von Proben
Das folgende Bild zeigt den Beispieldatensatz.Abbildung 2: Beispielhafter Datensatz
Aufgabe 1: Öffnen Sie das Beispielprojekt
Das Beispielprojekt enthält mehrere Datensätze und Modellierungsabläufe. Wenn Sie das Beispielprojekt noch nicht haben, finden Sie unter Tutorials eine Anleitung zum Erstellen des Beispielprojekts. Gehen Sie dann wie folgt vor, um das Beispielprojekt zu öffnen:
In Cloud Pak for Data wählen Sie im NavigationsmenüProjekte > Alle Projekte anzeigen aus.
Klicken Sie auf SPSS Modeler.
Klicken Sie auf die Registerkarte Assets, um die Datensätze und Modellierungsabläufe zu sehen.
Überprüfen Sie Ihren Fortschritt
Die folgende Abbildung zeigt die Registerkarte Assets des Projekts. Sie sind nun bereit, mit dem zu diesem Lehrgang gehörenden Beispielmodellierungsablauf zu arbeiten.
Aufgabe 2: Untersuchen Sie die Knoten "Datenbestand", "Ableiten" und "Typ"
Die Verkaufsförderung im Einzelhandel umfasst mehrere Knotenpunkte. Gehen Sie wie folgt vor, um die Knoten Data Asset, Derive und Type zu untersuchen:
Data Asset-Knoten
Öffnen Sie auf der Registerkarte Assets den Modellierungsfluss für die Verkaufsförderung im Einzelhandel und warten Sie, bis der Canvas geladen ist.
Doppelklicken Sie auf den Knoten goods1n.csv. Dieser Knoten ist ein Data Asset-Knoten, der auf die Datei goods1n.csv im Projekt verweist.
Überprüfen Sie die Eigenschaften des Dateiformats.
Klicken Sie auf Datenvorschau, um den vollständigen Datensatz zu sehen.
Beachten Sie, dass jeder Datensatz enthält:
Class. Produkttyp.
Cost. Preis pro Einheit.
Promotion. Index des für eine bestimmte Aktion ausgegebenen Betrags.
Before. Einnahmen vor Promotion.
After. Einnahmen nach Promotion.
Die beiden Felder Before und After) für die Einkünfte werden in absoluten Begriffen ausgedrückt. Es scheint jedoch wahrscheinlich, dass der Anstieg der Einnahmen nach der Werbeaktion (und vermutlich als Folge davon) eine nützlichere Zahl sein könnte.
Schließen Sie die Datenvorschau und das Eigenschaftsfenster.
Ableitungsknoten
Doppelklicken Sie auf den Knoten Erhöhen (Ableiten). Dieser Knoten leitet den Wert der Einnahmeerhöhung ab.
Überprüfen Sie die Einstellungen, insbesondere das Feld " Ausdruck", das eine Formel enthält, um die Erhöhung als Prozentsatz des Umsatzes vor der Werbeaktion abzuleiten: " (After - Before) /
Before * 100.0.
Klicken Sie auf Datenvorschau, um den Datensatz mit den abgeleiteten Werten zu sehen.
Beachten Sie die Spalte Zunahme.
Für jede Produktklasse ist eine fast lineare Beziehung zwischen dem Anstieg bei den Einkünften und den Kosten für die Werbeaktion vorhanden. Deshalb ist es wahrscheinlich, dass ein Entscheidungsbaum oder ein neuronales Netz mit einer akzeptablen Genauigkeit den Anstieg der Einkünfte aus den anderen verfügbaren Feldern vorhersagen könnte.
Schließen Sie die Datenvorschau und das Eigenschaftsfenster.
Typknoten
Doppelklicken Sie auf den Knoten Typen definieren (Typ). Dieser Knoten gibt Feldeigenschaften an, wie z. B. die Messebene (die Art der Daten, die das Feld enthält) und die Rolle jedes Feldes als Ziel oder Eingabe bei der Modellierung. Das Messniveau ist eine Kategorie, die den Datentyp für das Feld anzeigt. Die Quelldatendatei verwendet drei verschiedene Messebenen:
Ein kontinuierliches Feld (wie das Feld " Age ) enthält kontinuierliche numerische Werte.
Ein Nominalfeld (wie das Feld " Education ) hat zwei oder mehr unterschiedliche Werte - in diesem Fall " College oder " High school.
Ein Ordinalfeld (wie das Feld " Income level ) beschreibt Daten mit mehreren unterschiedlichen Werten, die eine inhärente Reihenfolge aufweisen - in diesem Fall " Low, " Medium und " High.
Für jedes Feld gibt der Knoten Typ auch eine Rolle an, die angibt, welche Rolle das jeweilige Feld bei der Modellierung spielt. Für das Feld " Increase, das abgeleitet wurde, ist die Rolle auf "Ziel" eingestellt. target ist das Feld, für das Sie den Wert vorhersagen möchten.
Für die meisten anderen Felder ist die Rolle auf Eingabe eingestellt. Eingabefelder werden manchmal auch als predictors bezeichnet oder als Felder, mit deren Werten der Modellierungsalgorithmus den Wert des Zielfelds vorhersagt.
Die Rolle für das Feld " After ist auf "Keine" gesetzt, so dass dieses Feld vom Modellierungsalgorithmus nicht verwendet wird.
Optional: Klicken Sie auf Datenvorschau, um den Datensatz mit den abgeleiteten Werten zu sehen.
Überprüfen Sie Ihren Fortschritt
Das folgende Bild zeigt den Knoten Typ. Jetzt können Sie die Modelle erstellen und vergleichen.
Der Ablauf trainiert ein neuronales Netz und einen Entscheidungsbaum, um diese Vorhersage bezüglich des Anstiegs an Einkünften zu treffen. Folgen Sie diesen Schritten, um die beiden Modelle zu erstellen:
Erzeugen Sie die Modelle
Doppelklicken Sie auf den Knoten Erhöhen (Neuronales Netz), um seine Eigenschaften zu überprüfen.
Erweitern Sie den Abschnitt Grundlagen, um zu sehen, dass der Modelltyp Multilayer Perceptron ist. Diese Eigenschaft bestimmt, wie das Netz die Prädiktoren über die verborgenen Schichten mit den Zielen verbindet. Ein mehrschichtiges Perzeptron ermöglicht komplexere Beziehungen auf Kosten der möglichen Verlängerung der Trainings- und Auswertungszeit.
Erweitern Sie den Abschnitt Modelloptionen, um die Bewertungs- und Einstufungseigenschaften zu sehen.
Doppelklicken Sie auf den Knoten Erhöhen (C&R-Baum), um seine Eigenschaften anzuzeigen.
Klicken Sie auf "Alle ausführen" und warten Sie, bis die Modell-Nuggets generiert sind.
Vergleichen Sie die Modelle
Verbinden Sie das Modellnugget Erhöhung (C&R Baum) mit dem Modellnugget Erhöhung (Neuronales Netz).
Fügen Sie einen Analyseknoten hinzu:
Erweitern Sie in der Palette den Abschnitt Ausgänge.
Ziehen Sie den Analyseknoten auf die Leinwand.
Verbinden Sie das Modellnugget Increase (Neuronales Netz) mit dem Knoten Analysis.
Ändern Sie den Datensatz, um andere Daten für die Analyse zu verwenden:
Doppelklicken Sie auf den Knoten goods1n.csv, um dessen Eigenschaften anzuzeigen.
CV lecken Datensatz ändern.
Navigieren Sie zu Datenbestand > GOODS2n.csv.
Klicken Sie auf Auswählen.
Klicken Sie auf Speichern.
Bewegen Sie den Mauszeiger über den Knoten "Analyse" und klicken Sie auf das Symbol "Ausführen " .
Klicken Sie im Fensterbereich Ausgaben und Modelle auf die Ausgabe mit dem Namen Analyse, um die Ergebnisse anzuzeigen.
Anhand der Analyseergebnisse, insbesondere der linearen Korrelation zwischen der vorhergesagten Steigerung und der richtigen Antwort, sehen Sie, dass die trainierten Systeme die Steigerung der Einnahmen mit einem hohen Erfolgsgrad vorhersagen.
Eine weitere Exploration könnte sich auf Fälle konzentrieren, bei denen die trainierten Systeme relativ hohe Fehlerraten verursachen. Sie können diese Fehler erkennen, indem Sie den prognostizierten Anstieg der Einnahmen gegen den tatsächlichen Anstieg auftragen. Mit Hilfe der interaktiven Grafiken in SPSS Modeler können Sie dann Ausreißer in einem Diagramm auswählen und anhand ihrer Eigenschaften die Datenbeschreibung oder den Lernprozess anpassen, um die Genauigkeit zu verbessern.
Überprüfen Sie Ihren Fortschritt
Das folgende Bild zeigt die Ausgabe des Analyseknotens.
Dieses Beispiel hat Ihnen gezeigt, wie Sie die Auswirkungen zukünftiger Verkaufsförderungsmaßnahmen vorhersagen können. Ähnlich wie beim Beispiel der Zustandsüberwachung besteht der Data-Mining-Prozess aus den Phasen Exploration, Datenaufbereitung, Training und Test.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Tasks you'll do
Some tasks have a choice of tools and services.
Tools you'll use
Some tools perform the same tasks but have different features and levels of automation.
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Automate the model lifecycle, including preparing data, training models, and creating deployments.
Work with R notebooks and scripts in an integrated development environment.
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deploy and run your data science and AI solutions in a test or production environment.
Find and share your data and other assets.
Import asset metadata from a connection into a project or a catalog.
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Measure and monitor the quality of your data.
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Create your business vocabulary to enrich assets and rules to protect data.
Track data movement and usage for transparency and determining data accuracy.
Track AI models from request to production.
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Create a virtual table to segment or combine data from one or more tables.
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
Discover, profile, catalog, and share trusted data in your organization.
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
View, access, manipulate, and analyze your data without moving it.
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Where you work with data.
> Projects > View all projects
Where you find and share assets.
> Catalogs > View all catalogs
Where you deploy and run assets that are ready for testing or production.
> Deployments
Where you manage governance artifacts.
> Governance > Categories
Where you virtualize data.
> Data > Data virtualization
Where you consolidate data into a 360 degree view.
Über den Einsatz von Cookies auf dieser WebsiteUnsere Websites benötigen einige Cookies, um ordnungsgemäß zu funktionieren (erforderlich). Darüber hinaus können mit Ihrer Zustimmung weitere Cookies verwendet werden, um die Nutzung der Website zu analysieren, die Benutzerfreundlichkeit zu verbessern und Werbung zu schalten.Weitere Informationen finden Sie in Ihren. Durch den Besuch unserer Website erklären Sie sich mit der Verarbeitung von Informationen einverstanden, wie in der IBMDatenschutzbestimmung beschrieben.Um eine reibungslose Navigation zu ermöglichen, werden Ihre Cookie-Präferenzen über die hier aufgeführten IBM Web-Domains hinweg gemeinsam genutzt.
Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Die Benutzeroberfläche, die im Video gezeigt wird, kann geringfügig abweichen. Das Video ist als Ergänzung zum schriftlichen Tutorial gedacht. Dieses Video bietet eine visuelle Methode, um die Konzepte und Aufgaben in dieser Dokumentation zu erlernen.
Projekte > Alle Projekte anzeigen aus.
Überprüfen Sie Ihren Fortschritt
und warten Sie, bis die Modell-Nuggets generiert sind.