Машинное обучение для ритейла

Прогнозирование продаж с учётом изменения тенденций (Drift-aware)

Для развития сети необходимо точно прогнозировать продажи будущих магазинов и выбирать наиболее перспективные локации. Из-за ограниченной ёмкости рынка, активности конкурентов и внешних факторов со временем меняются характеристики новых торговых точек — возникает дрейф признаков и целевой переменной. Задача — учесть и компенсировать дрейф уже на этапе обучения, чтобы сохранять стабильную точность прогноза между переобучениями раз в квартал.

Cреднеквадратичная ошибка (RMSE)

Cреднеквадратичная ошибка (RMSE)

Cредняя абсолютная процентная ошибка (MAPE)

Коэффициент детерминации (R²)

Устойчивость прогноза

Моделирование прироста отклика от маркетинговых кампаний (Uplift)

Маркетинговые кампании в ритейле используют персонализированные предложения и бонусы, но выбор целевых категорий зачастую основан на популярности или прошлых трендах. Этот подход не учитывает, кто именно изменит поведение за вознаграждение. Важно перейти к точечному таргетингу: выявлять клиентов и категории, в которых небольшая награда с высокой вероятностью вызовет покупку, которой иначе не было бы — чтобы максимизировать прибыль на рубль маркетинговых затрат.

Площадь под кривой прироста эффекта (AUUC)

Коэффициент Кини (Qini)

Прирост в топ-K% клиентов

Отношение прироста отклика (IRR)

Оценка рентабельности