Geschäftskontext
Eine große Supermarktkette möchte Engpässe vermeiden und den Lagerbestand für das kommende Quartal optimieren. Das Ziel ist es, die täglichen Verkaufszahlen basierend auf historischen Daten zu prognostizieren und dabei automatisch das beste Glättungsmodell auszuwählen.
Über das Set : uniTimeSeries
Analyse und Prognose univariater Zeitreihen.
Entdecken Sie alle Aktionen von uniTimeSeries Datenaufbereitung
Erstellung von täglichen Verkaufsdaten für ein Jahr mit saisonalem Trend.
Kopiert!
| 1 | |
| 2 | DATA mycas.retail_sales; |
| 3 | date = '01JAN2023'd; |
| 4 | DO i = 1 to 365; |
| 5 | sales = 500 + 10 * sin(i/7) + rand('Normal', 0, 20); |
| 6 | OUTPUT; |
| 7 | date = date + 1; |
| 8 | END; |
| 9 | FORMAT date date9.; |
| 10 | |
| 11 | RUN; |
| 12 |
Étapes de réalisation
1
Laden der Daten und Prüfung der Tabelle.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableInfo / TABLE='retail_sales'; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Ausführung der ESM-Aktion mit der Methode 'BEST' für eine 90-Tage-Prognose.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | uniTimeSeries.esm TABLE={name='retail_sales'} timeId={name='date'} interval='DAY' forecast={{name='sales', method='BEST', lead=90}} casOut={name='sales_forecast', replace=true} outStat={name='sales_stats', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion wählt automatisch das am besten geeignete Glättungsmodell aus. Die Tabelle 'sales_forecast' enthält die vorhergesagten Werte für die nächsten 90 Tage, und 'sales_stats' liefert die Anpassungsstatistiken (z.B. MAPE, RMSE) zur Bewertung der Modellgüte.