行业分类

联系我们

如何构建有效的销量预测系统?

最近一直在研究强化学习如何应用于销量预测系统。


对于销量预测,特征的变化模式很多。我们如何才能快速生成有效的策略,从而调整预测中出现的badcase ,这是我们尤为关注的问题。

 

前后思考,诸多实践,在GBDT的模型,Random Forest 的模型中,不断迭代feature的改进和模型的参数优化,始终不能够完全解决所有问题。所以,我们需要的是一个自动规避和产生决策方案的销量预测系统,这个系统能够自主自发的学习和生成策略,并且能后不断迭代优化,提高预测的准确度。这样,就能够真实的替代人工的筛查和过多精力的投入。


 

 

为此,我认为,有两个方向值得考虑,一是增强学习;二是对抗学习。


 


近期大家越来越强调AI系统的整体性,即perception、prediction、reasoning、planning以及底层的监督、非监督、强化学习算法。

 

简而言之,增强学习是一种基于环境反馈而做决策的通用框架。具体到机器学习领域,很多人往往知道 监督式学习 非监督式学习 (甚至半监督式学习),但却不知道第三类机器学习方法,即增强学习。 因为增强学习强调与环境的交互,我认为是离普遍意义上的人工智能更接近的一个领域。 这里『增强』或者『强化』的意思是,根据不断试错而得到的奖惩来不断增强对趋利决策的信念。


 


就目前看,还没有将增强学习应用于销售零售的场景当中,这其中,我想主要的因素在于销量预测本身具有多交互场景需求,并不能够通过增强学习完成对各种多重交互的一致训练。但是从各角度去尝试,并且建立有效的规则,增强学习就能够很好的模拟真实的交易场景,从而对交易的情况作出预测和预判。


对于我们目前能够尝试应用的地方,就是基于增强学习的训练方案设计一款POS机系统,实时训练增强学习的模型,POS机天然就是训练模拟器,任何交易都通过POS结账,同时,我们需要强大的信息收集能力,统计员工的到岗和工作情况,连接后台的仓储信息,连接外部天气,道路,交通,人流情况的数据,将这些数据统一收集到一处,集成到POS机中作为增强学习的训练模拟器,实时动态的训练增强学习模型,相信通过一段时间的训练,这样一台POS机本身就非常熟悉这家门店的属性和能力,对销量预测有了进一步的把握。


 


对于进一步的思考和构建,我们需要实践。任何开放的交流场景都值得去尝试,不只是零售店,任何店面都可以开发这样一套基于增强学习,多场景交互管控的POS系统,实现智能零售,智能销售的人机互动与强化学习的自主规划、自主试错。最终达到人机合一,高效运营的目的。

亟待尝试。

------ END------

 

正昱科技

相信我们的一腔热血不会让你失望

感谢你的关注、点赞及支持

!!!

地址:北京市海淀区北四环西路65号海淀新技术大厦16层1615

电话:400-0161-221

010-82699655

传真:010-62623896

官网:www.gisdom.com

邮箱:caoyujun@gisdom.com