Quiero prever la demanda de cada SKU en mi almacén cada semana a partir del historial de transacciones que he recopilado. Los datos contienen la marca, el tipo de producto, la SKU, la cantidad, la fecha (por día) y el precio. Pero las SKU no se venden todas las semanas. Algunos de ellos se deben a que se han agotado y a la tendencia. He probado con RNN LSTM y ARIMA por semana, pero necesitan datos de series temporales que tengan alguna transacción en cada rango de fechas. Necesito un algoritmo que pueda manejar una transacción cero en una semana aleatoria.
Respuesta
¿Demasiados anuncios?
En realidad no te faltan datos, tienes muchos ceros. Podrían causar problemas.
-
muchos ceros podrían estropear la estimación de la función de autocorrelación (véase Probar una proporción en un entorno online ).
-
muchos ceros exactos en sucesión no es realmente compatible con los supuestos habituales utilizados en la modelización de series temporales arima. Dado que su problema es la previsión de la demanda, algunos métodos especiales para ese fin podrían servir, véase Series temporales con una secuencia de ceros y Previsión de series temporales diarias con muchos ceros .
Otro enfoque es reconocer que se tienen datos de conteo, y buscar la modelización de un modelo de serie temporal de datos de conteo. Las palabras clave son regresión de poisson y inflación cero . Ver Series temporales para datos de recuento, con recuentos < 20 y Análisis de series temporales diarias .
Con los datos de la demanda, probablemente tenga muchas series paralelas. En ese caso, la previsión jerárquica podría ayudar, véase Paquete R de previsión de series temporales jerárquicas .
