Какую стратегию моделирования (временные рамки, функции, методику) вы бы порекомендовали прогнозировать трехмесячные продажи для общей клиентской базы?
В моей компании мы часто анализируем влияние, например, маркетинговых кампаний, которые проводятся на в то же время для общей клиентской базы. Чтобы получить представление об истинном возрастающем влиянии кампании, мы, среди прочего, хотим использовать прогнозируемые продажи в качестве контрфактуальной для кампании, то есть ожидаемые продажи, предполагающие отсутствие маркетинговой кампании.
- Таймфрейм , используемый для обучения модели. В настоящее время я рассматриваю 2 варианта ( stati c таймфрейм и скользящее окно) - дайте мне знать, что вы думаете . 1. Stati c: используйте тот же период прошлого года, что и зависимую переменную, чтобы построить конкретную модель c для этого конкретного 3-месячного периода времени. Данные за 12 месяцев используются для создания функций. 2. Используйте скользящее окно logi c за 3 месяца, динамически создавая зависимые временные рамки и функции. Еще не уверен, какая польза от этого будет. Он использует более свежие данные для создания модели, но чувствует себя менее конкретным c, потому что он использует любой 3-месячный период в году как зависимый. Не уверен, что теория говорит для этого конкретного примера. Опыт, мысли?
- Возможности - в настоящее время строятся функции на одного клиента из данных за один год до периода, например, Продажи в отдельные месяцы, 90 180 365 дней назад, макс / мин / среднее значение на клиента, # месяцев с продаж, владения и т. д. c. Занимает довольно много времени - какие библиотеки / пакеты вы бы порекомендовали для этого?
- Техника моделирования - в настоящее время рассматриваются сети GLM, XGboost, S / ARIMA и LSTM. Есть опыт?
Чтобы уточнить, хотя я и рассматриваю, например, ARIMA, мне не нужно прогнозировать какие-либо сезонные модели 3-месячного окна. В качестве первого удара достаточно одного прогнозируемого общего объема продаж клиентской базы за эти 3 месяца.
Любой опыт или комментарий будут высоко оценены.
Спасибо, F