本书全面概述了从数据收集到预测结果的评估和可视化的零售商预测需求过程。每个步骤都用相关代码和实现细节进行了说明，以揭开历史数据如何用于预测未来需求的神秘面纱。本书介绍的工具和方法可以应用于大多数零售环境，包括在线零售和实体零售，如时尚、电子、杂货和家具。本书旨在帮助商业分析专业的学生和数据科学家更好地掌握如何利用数据预测零售应用中的需求。它还可以作为对预测需求感兴趣的供应链从业者的指南。它使读者能够了解如何利用数据预测未来需求，如何清理和预处理数据以使其适合预测分析，在实施方面的常见注意事项是什么，以及如何评估预测准确性。

1 引言
1.1 动机
1.2 数据集
1.3 目标和范围
1.3.1 训练和测试数据
1.3.2 预测精度指标
1.3.3 应用
2 数据预处理与建模指标
2.1 处理缺失数据
2.2 异常值测试
2.3 时间效应核算
2.4 价格和滞后价格
2.5 主页特推
2.6 项目描述特征
2.7 附加变量
2.8 标准化
2.9 数据集的排序和导出
3 常规需求预测模型
3.1 基础入门：单个SKU的基本线性回归
3.2 数据集构建
3.3 集中式方法
3.4 分散式方法
3.5 特征选择和正则化
3.5.1 子集选择
3.5.2 Lasso正则化
3.5.3 Ridge正则化
3.5.4 ElasticNet正则化
3.6 对数变换
3.6.1 价格变量的对数变换
3.6.2 目标变量的对数变换
3.6.3 变换和预测精度
3.7 SKU固定效应的集中式方法
3.8 价格固定效应的集中式方法
3.9 SKU-价格固定效应的集中式方法
3.10 聚合季节性效应的分散式方法
3.11 小结与下一步
4 基于树的方法
4.1 决策树
4.1.1 集中式决策树
4.1.2 分散式决策树
4.2 随机森林
4.2.1 集中式随机森林
4.2.2 分散式随机森林
4.3 梯度提升树
4.3.1 集中式梯度提升树
4.3.2 分散式梯度提升树
4.4 方法比较
5 聚类
5.1 k-means聚类
5.1.1 k-means聚类概述
5.1.2 使用平均价格和周销量进行聚类
5.1.3 添加聚类特征的标准差
5.2 DBSCAN聚类
5.2.1 DBSCAN聚类概述
5.2.2 使用平均价格和周销量进行聚类
5.2.3 添加聚类特征的标准差
6 评估与可视化
6.1 结果总结
6.2 预测与实际
6.3 改变训练集和测试集分割比率
7 更先进的方法
7.1 Prophet方法
7.1.1 什么是Prophet方法
7.1.2 使用Prophet方法预测
7.2 数据聚合与需求预测
7.2.1 DAC方法介绍
7.2.2 微调超参数
7.2.3 DAC结果说明
8 结论与拓展话题