Problem:
W związku z epidemią COVID-19 i potencjalnymi obawami klientów
o bezpieczeństwo wizyt w sklepie jeden z retailerów w Polsce chciał udostępnić swoim klientom precyzyjną informację o spodziewanym natężeniu ruchu w sklepach stacjonarnych.
Rozwiązanie:
W oparciu o algorytmy uczenia maszynowego przygotowane zostały modele predykcyjne zdolne prognozować liczbę transakcji
w przedziałach godzinowych z wyprzedzeniem 7-dniowym. Zbudowany został mechanizm regularnego automatycznego odświeżania (douczania) w celu umożliwienia szybkiego dostosowania prognoz do nowej „poepidemicznej” rzeczywistości i nowych wzorców zachowań konsumentów.
Efekty:
- Prognozy z wyprzedzaniem 7-dniowym ze średnią dokładnością 92%-95%
- System umożliwia bieżące udostępnianie prognoz konsumentom poprzez stronę internetową (integracja prognoz z dotychczasową stroną www klienta)
- Automatyzacja procesu odświeżania modeli zapewnia i pozwala na oszczędność nakładu pracy na poziomie około 60%
Źródła danych:
- Dane sprzedażowe (historyczne)
- Dane sprzedażowe (bieżące)
- Dane pogodwe
- Dane kalendarzowe
