使用 Python 预测销售数据

Question

我有一个随机数组成的数据集，其中包含每个销售代表前几个月的销售数据，我想知道是否有办法预测每个代表下个月的销售情况。 我不确定机器学习方法是否可以在这里使用。

我主要是在寻求解决这个问题的最佳方法，不需要代码，但也许是最适合这类问题的方法。 这是我感兴趣的东西，并希望将来应用于更大的数据集。

data = [[1 , 55, 12, 25, 42, 66, 89, 75, 32, 43, 15, 32, 45], 
        [2 , 35, 28, 43, 25, 54, 76, 92, 34, 12, 14, 35, 63],
        [3 ,13, 31, 15, 75, 4, 14, 54, 23, 15, 72, 12, 51],
        [4 ,42, 94, 22, 34, 32, 45, 31, 34, 65, 10, 15, 18],
        [5 ,7, 51, 29, 14, 92, 28, 64, 100, 69, 89, 4, 95],
        [6 , 34, 20, 59, 49, 94, 92, 45, 91, 28, 22, 43, 30],
        [7 , 50, 4, 5, 45, 62, 71, 87, 8, 74, 30, 3, 46],
        [8 , 12, 54, 35, 25, 52, 97, 67, 56, 62, 99, 83, 9],
        [9 , 50, 75, 92, 57, 45, 91, 83, 13, 31, 89, 33, 58],
        [10 , 5, 89, 90, 14, 72, 99, 51, 29, 91, 34, 25, 2]]

df = pd.DataFrame (data, columns = ['sales representative ID#',
        'January Sales Quantity',
        'Fabruary Sales Quantity',
        'March Sales Quantity',
        'April Sales Quantity',
        'May Sales Quantity' ,
        'June Sales Quantity',
        'July Sales Quantity',
        'August Sales Quantity',
        'September Sales Quantity',
        'October Sales Quantity',
        'November Sales Quantity',
        'December Sales Quantity'])

Answer 1

您的多个销售代表的情况更复杂，因为由于他们负责相同的产品，除了季节性、自相关等之外，他们的绩效之间可能存在复杂的相关性。您的数据甚至不是纯时间序列——而是属于到所谓的“面板”数据集的 class。 我最近写了一个salesplansuccess微包销售计划成功 ，它处理从历史月度销售数据预测当前（或明年）的年销售额。 但是，model 的一个主要假设是季度季节性（更具体地说，是每个季度从第 2 个月到第 3 个月的重复漂移），这对于批发商来说更具特征。 package 照常pip install salesplansuccess 。 您可以修改其源代码以更好地满足您的需求。 简约的用例如下：

import pandas as pd
from salesplansuccess.api import SalesPlanSuccess
myHistoricalData = pd.read_excel('myfile.xlsx')
myAnnualPlan = 1000
sps = SalesPlanSuccess(data=myHistoricalData, plan=myAnnualPlan)
sps.fit()
sps.simulate()
sps.plot()

有关其使用的更详细说明，您可能需要参考其 GitHub存储库中的 Jupyter Notebook 插图文件。

Answer 2

选择预测方法并迭代计算其参数的代表。 在这里，您可以使用 python 中的简单线性回归。 随着时间的推移，您可以添加一些更智能的东西。

#!/usr/bin/python

data = [[1 , 55, 12, 25, 42, 66, 89, 75, 32, 43, 15, 32, 45], 
        (...)

months = []
for m in range(len(data[0])):
    months.append(m+1)

for rep in range(len(data)):
        linear_regression(months, data[rep])