Umsatzvorhersage und Analyse für Einzelhandelsgeschäfte
CRISP-DM ist ein standardisierter Prozess für Data-Mining-Projekte, der sechs Hauptphasen umfasst: Geschäftsverständnis, Datenverständnis, Datenvorbereitung, Modellbildung, Modellbewertung und Einsatz. Es hilft bei der strukturierten Durchführung von Datenanalysen, um Geschäftsprobleme zu lösen, indem es einen klaren Rahmen für die Arbeit liefert. Der Prozess ist iterativ, erlaubt also das Zurückkehren zu vorherigen Phasen, um Anpassungen basierend auf neuen Erkenntnissen vorzunehmen. CRISP-DM wird in verschiedenen Branchen und Organisationen eingesetzt, um datenbasierte Entscheidungen zu treffen und Einblicke zu gewinnen.
Business Understanding (Geschäftsverständnis)
Der Datensatz besteht aus den Angaben von Einzelhandelsgeschäften. Das Feedback und die Umsatzzahlen zu verschiedenen Produkten und Zeiträumen wurden konsolidiert. Der Hauptzweck dieses Datensatzes besteht darin, vorherzusagen, ob ein zukünftiger Monat angesichts der Details der anderen Parameterwerte höhere oder niedrigere Umsätze haben wird.
Datenverständnis
Der Datensatz dieser Demo stammt von verschiedenen Einzelhandelsgeschäften. Die Daten enthalten Details zu Umsätzen, Produktkategorien, Verkaufszahlen und anderen relevanten Parametern. Diese Informationen werden verwendet, um den Umsatz basierend auf historischen Daten vorherzusagen und zu analysieren.
Datenvorbereitung
Im Notebook werden die Daten in mehreren Schritten systematisch vorbereitet. Zunächst werden die notwendigen Bibliotheken geladen, um die Datenverarbeitung und -visualisierung zu ermöglichen. Die Daten werden aus einer CSV-Datei importiert. Nach dem Import erfolgt eine erste Inspektion der Daten, um deren Struktur und das Vorhandensein fehlender Werte zu überprüfen. Duplikate werden identifiziert und entfernt, ebenso wie fehlende Werte bereinigt werden, um eine vollständige Datengrundlage zu gewährleisten. Zur Analyse der Verteilung der numerischen Daten werden Histogramme erstellt. Die Korrelationen zwischen den numerischen Variablen werden mittels einer Korrelationsmatrix visualisiert, um die Beziehungen zwischen den Variablen zu erkennen. Kategoriale Variablen werden in numerische Codes umgewandelt, um sie für maschinelles Lernen nutzbar zu machen. Die Daten werden dann in Trainings- und Testdatensätze aufgeteilt, typischerweise im Verhältnis 80% zu 20%, um die Modellleistung zu validieren. Schließlich werden die Daten normalisiert, um einheitliche Skalen zu gewährleisten und die Modellgenauigkeit zu verbessern. Diese vorbereitenden Schritte sorgen dafür, dass die Daten optimal für die anschließende Analyse und Modellierung geeignet sind.
Datenmodell
Als Datenmodell wird eine multiple lineare Regression verwendet. Dies bietet sich zur Vorhersage des Umsatzes auf Basis mehrerer Einflussfaktoren an.
Deployment
Die Umsetzung bzw. Einbindung des Datenmodells bietet sich in Verkaufsprognose-Systemen an. Auf Basis historischer Verkaufsdaten kann eine Vorhersage über zukünftige Umsätze getroffen werden. Auf diese Weise lässt sich vorhersagen, wie verschiedene Produkte und Kategorien sich in zukünftigen Zeiträumen entwickeln könnten, um strategische Entscheidungen zu treffen.