Problem:
Jeden z wiodących marketerów z branży retail w Polsce potrzebował krótkoterminowych prognoz liczby klientów dla lepszego planowania pracy sklepów.
Rozwiązanie:
Wykorzystując nowoczesne algorytmy uczenia maszynowego, przygotowano modele prognozujące ruch w sklepach
z wyprzedzeniem 10- i 30-dniowym. Prognozy dostarczane
są codziennie w formie interaktywnych dashboardów oraz
alertów emailowych
Efekty:
- Prognoza ruchu w każdym sklepie (dokładność na poziomie około 5% przy wyprzedzeniu 30 dni)
- Zrozumienie jakie 4 główne czynniki i w jaki sposób wpływają na ruch w sklepie
- Identyfikacja 3 najważniejszych promocji wpływających na ruch
w sklepach - Możliwość identyfikacji z 30-dniowym wyprzedzeniem dni
o podwyższonym obciążeniu ruchem
Źródła danych:
- Systemy transakcyjne
- Baza danych pogodowych
- Kalendarz akcji promocyjnych
