Географическая модель прогнозирования спроса на основе результатов пилотной кампании

Прибыльность и эффективность компании во многом зависят от точности прогнозирования спроса, что является одной из наиболее востребованных задач среди новых и развивающихся бизнесов. Отсутствие удобных инструментов для оценки спроса побудило нас провести исследование, основанное на создании моделей машинного обучения, которые предсказывают потенциальный спрос на конкретные товары и услуги на основе различных географических особенностей, доходов, погодных и промышленных факторов. Исследование направлено на создание веб-приложения Shiny для предоставления пользователям данных о наиболее выгодных потенциальных местах (почтовых индексах) для размещения товаров или услуг. Подход триангуляции данных применяется для включения большего числа потенциально значимых предикторов и создания объединенного набора данных, который позволяет генерировать модели машинного обучения с хорошей предсказательной силой. Эмпирическая часть исследования представляет собой кейс данных Gutter Guards. Для тестирования приложения использовались пользовательские данные о продажах водосточных труб. Модель внутри приложения основана на алгоритмах машинного обучения, анализе важности переменных и оценке ROC AUC для доступа к качеству алгоритмов прогнозирования. Результаты оценки моделей на наборе данных Gutter Guards показали, что наиболее важными предикторами для продаж Gutter Guards являются объем рекламного обращения, уровень потенциальной опасности лесных пожаров, плотность населения, размер домохозяйства, возраст и поисковые запросы в Google. Эффективность построенной модели предсказания оценивается по кривой ROC AUC, точности и матрице ошибок. Взаимосвязи, связанные с прогнозированием спроса, и их применение в виде приложения Shiny помогут компаниям повысить рентабельность и эффективность дистрибуции на основе предполагаемых объемов спроса в различных географических точках. Проведенное нами исследование может быть потенциально адаптировано к различным странам и регионам на основе соответствующих данных переписи населения, находящихся в открытом доступе.