Previsión de consumo de limonada

Question

Algunos chicos, decidieron hacer algo de dinero, mediante la venta de limonada en diferentes lugares públicos. Cada chico tiene un lugar fijo en el que vende la limonada. Cada mañana, van al almacén de un fabricante de limonada y compran las existencias para todo el día, basándose en sus previsiones. En cualquier momento del día, pueden pedir una entrega instantánea, que costará más y no queremos que esto ocurra. Además, si compran más de lo necesario para ese día, obtendrán menos beneficios.

La cosa es que cada uno conoce los lugares de su negocio. Empiezan a ver patrones en los hábitos de los clientes, el consumo basado en el día de la semana, el clima, los eventos de la zona, etc. Todas esas variables, las previsiones y los datos reales de consumo se almacenan en una base de datos.

Se agradecen mejores formulaciones del problema.

Mi deseo es poner en marcha un programa informático que ayude a los vendedores de limonada a prever mejor sus necesidades. ¿Tiene alguna idea sobre qué método de aprendizaje automático puede ayudarme a predecir las necesidades de los vendedores de limonada?

Answer 1

Enfoque directo

Este es un tipo de regresión problema, en el que hay que predecir un valor numérico. Sin embargo, la regresión lineal simple no es aplicable, ya que no todas sus características son numéricas (si, día de la semana, etc.). Es imposible hacerlas numéricas (no puedes asignar el número 1 al lunes y el número 2 al martes, porque el martes no es el lunes + 1, sino otro día independiente). Así que primero hay que dividir los datos en varias partes basado en características categóricas (como el día de la semana) y luego aplicar la regresión lineal a cada parte . MD5". hace exactamente esto: primero construye el árbol de decisión y luego asigna un modelo de regresión distinto a cada baja.

Un análisis más inteligente

Sin embargo, el enfoque anterior no se refiere a los detalles del problema en sí, incluidos los detalles del consumidor. Un análisis más inteligente incluye vista detallada de cada función disponible y la extracción de más funciones (que puede ser combinaciones de otras características - véase la regresión polinómica). Si el número de consumidores no es muy grande, puede predecir la probabilidad de venta de cada usuario en particular y, a continuación, limitarse a contar los que probablemente comprarán limonada en un día concreto. Si tiene muchos usuarios, utilice la agrupación para realizar segmentación del mercado y aprender probabilidades o modelos de regresión para cada segmento.

Intente también clasificar adecuadamente los tipos de eventos locales, cuente sus participantes, calcule la distancia desde el punto de venta, etc. Aprenda sus características y construya un modelo adecuado.