过去两年销售预测和收入预测对零售商来说变得越来越重要因为店主必须对断变化的消费者行为做出快速反应。例如零售商可以利用了解消费者将购买什么购买多少以及何时购买来避免关键产品线库存过多或足来优化收入。历史销售数据传统上用于创建此类预测但零售商还需要在分析中考虑位置方面特别是在涉及选址决策时。今年美国零售商开设的商店数量将首次超过关闭的商店数量这是自年以来首次来源零售业的复苏速度比任何人想象的都要快。恢复速度比任何人想象的都要快。经纪人很忙。交易量增幅巨大达仲量联行零售咨询服务总裁。我们自己的黑色星期五分析确定的趋势也说明了年至年之间的复苏期但最重要的是表明人们似乎没有走那么远去购物。能够预测同地点的收入潜力对于最佳选址策略至关重要零售商可以减少为其业务确定最佳商店位置所需的时间和精力。在这篇博文中我们将展示如何使用的分析工具箱来训练空间模型来预测整个地区的商店年收入。最近发布的是对我们领先的位置智能平台的彻底重新开发。
该平台的关键组件之一是分析工具箱它提供了完整的分析功能框架用于在中执行空间分析并在领先的云数据仓库平台中进行本地计算。我们对的实施使此类平台的用户能够获得 意大利语移动数据 完全云原生的和空间数据科学体验同时保持数据仓库带来的隐私合规性可扩展性和更低的成本优势。显示组件的图表分析工具箱中的分析例程涵盖了广泛的空间分析用例并根据其提供的功能组织成一系列模块数据聚类统计等。今天我们很高兴地宣布推出新的特定领域模块以解决零售行业的地理空间分析问题从收入预测开始。使用分析工具箱进行收入预测为了进行收入预测分析我们在分析工具箱中实施了三个新程序这些程序利用空间索引的可扩展性和计算效率并涵盖端到端解决此用例的所有必要步骤数据准备模型训练和预测。___作为收入预测工作流程的第一步此过程准备数据以构建收入预测模型该模型将在训练和预测阶段使用。因此分析感兴趣的区域使用或四键空间索引进行多重填充并使用来自数据观测站数据集和用户的第一方数据包括商店收入的特征进行丰富以便对其进行表征。
据输入数据即上一步的输出高级配置选项构建预测模型并计算模型和特征的统计数据平均绝对误差特征重要性等。工作流中的最后一个过程用于预测位于特定区域的新商店的潜在收入。值得注意的是这些过程同时利用了我们分析工具箱中的其他例程例如_和__。您可以在此处了解有关丰富空间数据的更多信息。出于本案例研究的目的我们将使用公开的爱荷华州酒类销售数据该数据提供了爱荷华州级酒类许可证持有者在商店级别的烈酒购买信息按产品和购买日期从年月日至今。特别是我们将使用品牌下的家商店的收入数据来训练我们的预测模型该收入数据计算为年度总销售数据。这些商店被用作参考模型是使用它们的位置和收入作为输入来构建的。所有其他酒类商店都将被视为的竞争对手。然后我们将模拟这样一个场景我们想要预测位于爱荷华州任何地方的一家新的商店的收入。此外为了训练收入预测模型我们将通过位置感知上下文来丰富商店收入数据特别是通过我们的数据观测站提供分辨率级别的空间特征数据集的变量。