新闻/数据科学
在理想的世界里，企业可以清楚地知道自己能在何时何地销售多少产品。.
但是，建立一个有效的需求预测模型说起来容易做起来难，尤其是在零售行业日益分散的情况下。.
在美国，库存不足、库存过多和退货每年给零售商造成的损失高达 75 万亿美元。.
由于 "11-11 "和 "6-18 "购物节等大型促销期的兴起，中国的消费品公司面临着类似甚至更大的挑战。.
中国家电领先品牌小熊电器就是一家努力应对这一问题的零售商。小熊电器总经理李一峰表示，在季节性促销期间，预测销售量变得越来越困难。.
data 的力量
就在几年前，由于获得售罄产品和第三方 data 的途径有限，品牌要准确预测未来的需求非常困难。然而，移动互联网的兴起导致 data 激增。现在，品牌能够更好地了解销售率和销售的真正驱动因素。机器学习和人工智能的兴起也使企业能够以更系统的方式挖掘和分析 data。然而，筛选和分析海量的 data 可能具有挑战性，尤其是对于没有内部 data 团队的公司而言。.
这就是 Artefact 的用武之地。.
我们的团队由 data 科学家、data 工程师、data 顾问和营销专家组成，帮助客户利用大 data 和人工智能技术开发需求预测模型。.
我们最近为中国的一个 O2O 平台建立了一个预测模型，使其两类用户--商家和消费者--能够更好地相互联系。.
该平台的许多商家都面临销售量不稳定的问题，造成资源浪费，无法支持不断增长的需求。为了解决这一问题，我们与客户合作，每天向各个商家提供未来两周的最新销售量预测，帮助他们规划库存、运营和活动。.
更好的预测，更少的浪费
没有稻草就无法制砖。同样，没有历史 data 也无法预测销量。许多商家面临的一个挑战是缺少销售额 data。事实上，许多刚刚开始经营的商家或过去零散经营的商家从未经历过 11-11 或 6-18 购物活动。如果没有 data，商家对促销期间所需的存货量几乎一无所知，可能导致收入受到巨大打击。.
那么问题来了：在 data 历史数据不足的情况下，如何预测销售量，尤其是大型促销活动的销售量？
我们的解决方案是一种多管齐下的方法，利用我们在 data 挖掘和分析方面的专业知识，帮助商家在特殊销售时期 ‘填补空白’。传统的机器学习模型用于预测非促销期的销售量，而我们创建的预测模型可以将商户自身的历史 data 与其他类似商户的 data 结合起来，预测促销期的销售量。这个新模型将平台的预测准确率提高了 20%。.
