A Deep Learning Approach for the Pr

A Deep Learning Approach for the Prediction of Retail Store SalesAbstract—The purpose of this research is to construct asales prediction model for retail stores using the deep learningapproach, which has gained significant attention in the rapidlydeveloping field of machine learning in recent years. Usingsuch a model for analysis, an approach to store managementcould be formulated. The present study uses three years’ worthof point-of-sale (POS) data from a retail store to construct asales prediction model that, given the sales of a particular day,predicts the changes in sales on the following day. As a result,a deep learning model that considers the L1 regularizationachieved a sale forecasting accuracy rate of 86%. The productsat the retail store have been finely categorized. Even if theattributes of the product categories are increased in numberfrom tens to thousands, the predictive accuracy did not fallby more than about 7%. In contrast, the accuracy decreasedby around 13% when the logistic regression model was used.These results indicate that deep learning is highly suitable forconstructing models that include multi-attribute variables. Thepresent research demonstrates that deep learning is effectivefor analyzing the POS data of retail stores.Keywords-Deep Learning; Marketing; POS data; Sales Pre-diction Model; Logistic Regression.

0/5000

From: -

To: -

Results (Thai) 1: [Copy]

Copied!

วิธีการเรียนรู้ที่ลึกสำหรับการทำนายของร้านค้าปลีกขาย บทคัดย่อ-วัตถุประสงค์ของงานวิจัยนี้คือการสร้าง แบบจำลองการคาดการณ์การขายสำหรับร้านค้าปลีกโดยใช้การเรียนรู้ลึก วิธีการซึ่งได้รับความสนใจอย่างมากในการอย่างรวดเร็ว ข้อมูลการพัฒนาของการเรียนรู้เครื่องในปีที่ผ่านมา . โดยใช้ รูปแบบดังกล่าวสำหรับการวิเคราะห์วิธีการในการบริหารจัดการร้านค้า อาจจะมีสูตร การศึกษาครั้งนี้ใช้สามปีมูลค่า ของข้อมูลจุดขาย (POS) จากร้านค้าปลีกในการสร้าง แบบจำลองการคาดการณ์การขายที่ได้รับการขายของวันโดยเฉพาะอย่างยิ่ง คาดการณ์การเปลี่ยนแปลงในการขายในวันต่อไป เป็นผลให้ รูปแบบการเรียนรู้ที่ลึกที่พิจารณากู L1 ประสบความสำเร็จในการคาดการณ์อัตราความถูกต้องการขาย 86% ผลิตภัณฑ์ ที่ร้านค้าปลีกที่ได้รับการจัดหมวดหมู่อย่างประณีต แม้ว่า ลักษณะของประเภทผลิตภัณฑ์ที่จะเพิ่มขึ้นในจำนวน จากนับพันความถูกต้องคาดการณ์ไม่ได้ตกอยู่ กว่าประมาณ 7% ในทางตรงกันข้ามความถูกต้องลดลง ประมาณ 13% เมื่อรูปแบบการถดถอยโลจิสติถูกนำมาใช้ ผลการศึกษานี้แสดงให้เห็นว่าการเรียนรู้ลึกเหมาะมากสำหรับ การสร้างแบบจำลองที่มีตัวแปรหลายแอตทริบิวต์ วิจัยแสดงให้เห็นว่าการเรียนรู้ลึกที่มีประสิทธิภาพ ในการวิเคราะห์ข้อมูล POS ของร้านค้าปลีก คำหลักลึกการเรียนรู้; การตลาด; ข้อมูล POS; ขาย Pre- พจน์รุ่น; การถดถอยโลจิสติก.

Being translated, please wait..

Results (Thai) 2:[Copy]

Copied!

วิธีการเรียนรู้เชิงลึกสำหรับการคาดการณ์การขายร้านค้าปลีก นามธรรม—วัตถุประสงค์ของการวิจัยนี้คือการสร้าง แบบจำลองการคาดการณ์ยอดขายสำหรับร้านค้าปลีกโดยใช้การเรียนรู้เชิงลึก ซึ่งได้รับความสนใจอย่างมีนัยสำคัญอย่างรวดเร็ว การพัฒนาด้านการเรียนรู้ของเครื่องในปีที่ผ่านมา ใช้ แบบจำลองดังกล่าวเพื่อการวิเคราะห์วิธีการจัดเก็บ สามารถสูตรได้ การศึกษาปัจจุบันใช้มูลค่าสามปี ของข้อมูลจุดขาย (POS) จากร้านค้าปลีกเพื่อสร้าง แบบจำลองการคาดการณ์ยอดขายที่ได้รับการขายในแต่ละวัน คาดการณ์การเปลี่ยนแปลงในการขายในวันถัดไป ด้วยเหตุนี้ แบบจำลองการเรียนรู้เชิงลึกที่พิจารณา L1 regularization อัตราความถูกต้องของการคาดการณ์การขาย๘๖% ผลิตภัณฑ์ ที่ร้านค้าปลีกได้รับการจัดหมวดหมู่อย่างละเอียด แม้ว่า แอททริบิวต์ของหมวดหมู่ผลิตภัณฑ์จะเพิ่มขึ้นในจำนวน ความแม่นยำในการคาดการณ์ไม่ตก มากกว่าประมาณ7%. ในทางตรงกันข้ามความถูกต้องลดลง โดยประมาณ13% เมื่อมีการใช้แบบจำลองการถดถอยของโลจิสติกส์ ผลลัพธ์เหล่านี้บ่งชี้ว่าการเรียนรู้เชิงลึกเหมาะอย่างยิ่งสำหรับ การสร้างรูปแบบที่มีตัวแปรหลายแอตทริบิวต์ การ การวิจัยในปัจจุบันแสดงให้เห็นว่าการเรียนรู้เชิงลึกมีประสิทธิภาพ สำหรับการวิเคราะห์ข้อมูล POS ของร้านค้าปลีก คำหลัก-การเรียนรู้ลึก; การตลาด ข้อมูล POS; การระบุ ขายล่วงหน้า รูปแบบของพจน์ การถดถอยโลจิสติกส์

Being translated, please wait..

Results (Thai) 3:[Copy]

Copied!

วิธีการเรียนรู้เชิงลึกสำหรับการพยากรณ์ยอดขายร้านค้าปลีก บทคัดย่อการวิจัยครั้งนี้มีวัตถุประสงค์เพื่อสร้าง แบบจำลองการพยากรณ์การขายร้านค้าปลีกบนพื้นฐานของการเรียนรู้เชิงลึก วิธีการใน ในปีล่าสุดการพัฒนาด้านการเรียนรู้เครื่อง ใช้ การวิเคราะห์รูปแบบวิธีการจัดการร้านค้า อาจเป็นสูตร การวิจัยครั้งนี้ใช้ค่าสามปี ข้อมูลจุดขายที่ได้จากร้านค้าปลีก แบบจำลองพยากรณ์ยอดขายที่ได้รับการขายในวันหนึ่ง คาดการณ์การเปลี่ยนแปลงในการขายในวันถัดไป ดังนั้น รูปแบบการเรียนรู้เชิงลึกสำหรับ L1 regularization ความถูกต้องของการพยากรณ์การขายถึง 86 เปอร์เซ็นต์ ผลิตภัณฑ์ ร้านค้าปลีกมีการจัดหมวดหมู่ที่ละเอียดอ่อน ถึงแม้ว่า เพิ่มคุณสมบัติประเภทผลิตภัณฑ์ จากนับหมื่นถึงพันความถูกต้องของการพยากรณ์ไม่ได้ลดลง มากกว่าเจ็ดเปอร์เซ็นต์ ในทางตรงกันข้ามความถูกต้องลดลง ประมาณ 13% s เมื่อใช้แบบจำลองการถดถอยโลจิสติก ผลการศึกษาครั้งนี้แสดงให้เห็นว่าการเรียนรู้เชิงลึก สร้างรูปแบบที่มีคุณสมบัติหลายตัวแปร นี่ การศึกษาปัจจุบันแสดงให้เห็นว่าการเรียนรู้แบบเจาะลึกมีประสิทธิภาพ การวิเคราะห์ข้อมูล POS ของร้านค้าปลีก การเรียนรู้เชิงลึกการตลาดข้อมูล POS การเตรียมการก่อนการขาย รูปแบบการถดถอยเชิงตรรกะ

Being translated, please wait..

Other languages

The translation tool support: Afrikaans, Albanian, Amharic, Arabic, Armenian, Azerbaijani, Basque, Belarusian, Bengali, Bosnian, Bulgarian, Catalan, Cebuano, Chichewa, Chinese, Chinese Traditional, Corsican, Croatian, Czech, Danish, Detect language, Dutch, English, Esperanto, Estonian, Filipino, Finnish, French, Frisian, Galician, Georgian, German, Greek, Gujarati, Haitian Creole, Hausa, Hawaiian, Hebrew, Hindi, Hmong, Hungarian, Icelandic, Igbo, Indonesian, Irish, Italian, Japanese, Javanese, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Korean, Kurdish (Kurmanji), Kyrgyz, Lao, Latin, Latvian, Lithuanian, Luxembourgish, Macedonian, Malagasy, Malay, Malayalam, Maltese, Maori, Marathi, Mongolian, Myanmar (Burmese), Nepali, Norwegian, Odia (Oriya), Pashto, Persian, Polish, Portuguese, Punjabi, Romanian, Russian, Samoan, Scots Gaelic, Serbian, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenian, Somali, Spanish, Sundanese, Swahili, Swedish, Tajik, Tamil, Tatar, Telugu, Thai, Turkish, Turkmen, Ukrainian, Urdu, Uyghur, Uzbek, Vietnamese, Welsh, Xhosa, Yiddish, Yoruba, Zulu, Language translation.