Про Планирование Спроса, Holt-Winters и XGboost

[gofat]

А вы уверены, что при прогнозировании объема продаж стоит использовать Accuracy (точность)? Кажется, что это не самая лучшая метрика для такой задачи.

[mikhail_gavrikov]

Было бы подозрительно показывать результаты не стандартных моделей на не стандартных для компании метриках

[gofat]

Ок, я не заметил введенную собственную accuracy, моя невнимательность.
Но! Есть стандартные обозначения для некоторых метрик, так что такое название сбивает с толку.

[SobolevP]

Добрый день! нормальная метрика, но в формуле неточность. Сумму модулей расхождений между фактом и прогнозом нужно поделить на сумму факта (или сумму плана)

[mikhail_gavrikov]

благодарю, поправил

[swiitch]

Не все тренды можно сгенерить с помощю ML. У меня в рейндже более 70,000 SKU's. Прогон статистики за 10/5/3/1 год через ML дает совершенно несопоставимые результаты, потому что конкуренция на рынке достаточно жесткая и тренды меняются из года в год. Поэтому опытный Demand Planner использует массу инструментов для сегментации товаров и нормализации данных продаж. То что вы очишете Lost Sales (заказы) от дубликатов — это хорошая практика. Еще надо упомянуть об очищении конечных данных и их нормализации (скачки/падения/сезонность… да, сезонность нужно нормализовать, если у вас не только дистрибьюция/ритейл, но и производство, которое имеет capacity contains)

[mikhail_gavrikov]

Насчет долгосрочного прогноза соглашусь — на горизонте нескольких лет градиентный бустинг не даёт значительного преимущества.
Касательно очистки от пиков также соглашусь, для конкретно Хольта-Винтерса явные выбросы мы убирали и расчет велся с учетом очистки — это увеличило точность.
Сегментация позиций с дальнейшим выбором какую именно модель использовать разумна, но в конкретном кейсе этого не делали, только в планах