Säljprognoser med maskininlärning och Pandas: En avancerad guide

Att göra säljprognoser är en av de mest värdefulla tillämpningarna av maskininlärning (ML) inom affärsanalys. Genom att använda Pandas för datahantering och maskininlärning för prediktioner kan vi skapa robusta säljprognoser som gör att företagen kan planera bättre och fatta mer informerade beslut. I denna artikel går vi igenom en avancerad metod för att skapa säljprognoser med hjälp av maskininlärning och Pandas.

Vi kommer att täcka:
✅ Hur vi samlar in och förbereder försäljningsdata
✅ Bygga en prediktiv ML-modell för säljprognoser
✅ Använda regressionsmodeller för att förutsäga framtida försäljning
✅ Förbättra modellen med tidsserieanalyser och externa faktorer
✅ Skapa och utvärdera modeller
✅ Förbättra noggrannheten med avancerad funktionsteknik

---

1. Samla in och förbereda försäljningsdata

För att kunna bygga en säljprognosmodell måste vi först samla och bearbeta data. Vi behöver historisk försäljningsdata som innehåller datum, antal sålda enheter, priser, och eventuellt marknadsföringsaktiviteter eller externa faktorer som kan påverka försäljningen (t.ex. säsongsvariationer, kampanjer).

Exempel: Importera försäljningsdata och förbered den för analys

import pandas as pd

# Ladda försäljningsdata från en CSV-fil
df = pd.read_csv('sales_data.csv', parse_dates=["datum"])

# Omvandla datum till rätt format och extrahera år, månad, och veckodag för tidsserieanalys
df["år"] = df["datum"].dt.year
df["månad"] = df["datum"].dt.month
df["veckodag"] = df["datum"].dt.weekday

# Skapa en kolumn för månatlig försäljning
df["månatlig_försäljning"] = df["antal_enheter"] * df["pris"]

# Titta på den första raden av data
print(df.head())

✅ Nu har vi en ren dataset som vi kan använda för säljprognosmodellen.

---

2. Bygga en regressionsmodell för säljprognos

En vanlig metod för att göra säljprognoser är att använda regression för att förutsäga framtida försäljning baserat på historiska data. En linjär regression eller en random forest regression kan användas beroende på datans komplexitet.

Exempel: Skapa och träna en linjär regressionsmodell

För den här guiden använder vi scikit-learn, ett populärt Python-bibliotek för maskininlärning.

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# Välj relevanta funktioner och målvariabel
X = df[["år", "månad", "veckodag", "marknadsföring"]]
y = df["månatlig_försäljning"]

# Dela upp data i tränings- och testuppsättningar
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Skapa en linjär regressionsmodell
model = LinearRegression()

# Träna modellen
model.fit(X_train, y_train)

# Prediktera försäljning på testuppsättningen
y_pred = model.predict(X_test)

# Utvärdera modellen med medelkvadratfel (MSE)
mse = mean_squared_error(y_test, y_pred)
print(f"Medelkvadratfelet: {mse}")

✅ Modellen har tränats och vi har fått ett mått på noggrannheten för förutsägelserna.

---

3. Förbättra modellen med tidsserieanalys

För att skapa en mer exakt säljprognos kan vi införa tidsserieanalys för att fånga upp säsongsvariationer, trender och cykliska mönster. Tidsserieprognoser tar hänsyn till hur försäljningen förändras över tid, vilket gör att vi kan förutsäga framtida sälj bättre än med en enkel regressionsmodell.

Exempel: Använda ARIMA-modellen för tidsserieprognoser

ARIMA (AutoRegressive Integrated Moving Average) är en populär modell för tidsserieprognoser. Den kan användas för att förutsäga framtida värden baserat på tidigare observerade värden.

from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt

# Skapa en tidsserie av månatlig försäljning
ts = df.groupby("månad")["månatlig_försäljning"].sum()

# Dela upp data i tränings- och testuppsättningar
train, test = ts[:int(0.8 * len(ts))], ts[int(0.8 * len(ts)):]

# Skapa ARIMA-modellen
model_arima = ARIMA(train, order=(5, 1, 0))  # p, d, q parametrar
model_arima_fit = model_arima.fit()

# Gör prognoser
forecast = model_arima_fit.forecast(steps=len(test))

# Visualisera de verkliga värdena och prognoserna
plt.plot(test.index, test, label="Verklig försäljning")
plt.plot(test.index, forecast, label="Prognos", color="red")
plt.legend()
plt.show()

✅ Vi har skapat en tidsserieprognos och visualiserat de verkliga och förutsagda säljvärdena.

---

4. Förbättra prognosen med externa faktorer

En säljprognosmodell blir mer exakt om vi tar hänsyn till externa faktorer som påverkar försäljningen. Till exempel, marknadsföringskampanjer, externa ekonomiska faktorer eller väderförhållanden kan ha en betydande inverkan på försäljningen.

Exempel: Inkludera externa faktorer i modellen

Vi kan lägga till externa faktorer som marknadsföring eller väderinformation som ytterligare funktioner i regressionsmodellen.

# Anta att vi har kolumner för marknadsföring och väderdata
X = df[["år", "månad", "veckodag", "marknadsföring", "väder"]]

# Träna modellen igen med de externa faktorerna
model.fit(X_train, y_train)

# Prediktera och utvärdera modellen
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f"Medelkvadratfelet med externa faktorer: {mse}")

✅ Vi har förbättrat modellen genom att inkludera externa faktorer.

---

5. Utvärdera och förbättra modellen

För att säkerställa att modellen ger noggranna prognoser måste vi utvärdera och justera den. Vi kan använda cross-validation, hyperparameter tuning och feature engineering för att förbättra noggrannheten ytterligare.

Exempel: Cross-validation och hyperparameter tuning

from sklearn.model_selection import GridSearchCV

# Definiera en uppsättning hyperparametrar för att optimera modellen
param_grid = {"alpha": [0.1, 1, 10, 100]}

# Använd GridSearchCV för att hitta bästa parametrar
grid_search = GridSearchCV(LinearRegression(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

# Bästa parametrar
print("Bästa parametrar:", grid_search.best_params_)

✅ Genom hyperparameter tuning har vi optimerat modellen för ännu bättre resultat.

---

Slutsats

Genom att använda Pandas, maskininlärning och tidsserieanalys kan vi bygga en avancerad modell för säljprognoser. Vi har täckt:
✔ Hur vi förbereder och hanterar försäljningsdata
✔ Byggandet av en regressionsmodell för att förutsäga framtida försäljning
✔ Förbättring med tidsserieanalyser och externa faktorer
✔ Utvärdering och optimering av modellen för högre noggrannhet

Vill du skapa dina egna säljprognoser eller förbättra din nuvarande modell? Hör av dig!