Šios analizės tikslas yra pateikti detalią pardavimų prognozavimo ir produktų našumo analizę pardavimų vadybininkui ir rinkodaros specialistui. Šioje ataskaitoje mes išanalizuosime istorinius pardavimų duomenis, prognozuosime būsimus pardavimus, segmentuosime klientus ir nustatysime sezoniškumo tendencijas.

PROBLEMINIS KLAUSIMAS

 „Kaip tiksliai galima prognozuoti būsimus pardavimus naudojant istorinę pardavimų informaciją ir kurios produktų kategorijos generuoja didžiausią pelną ir pardavimus?“

     H0: Regioniniai, Sezoniniai, produktų kategorijos ir klientų segmentų veiksniai neturi įtakos prognozuotiems pardavimams.

     H1: Regioniniai, Sezoniniai, produktų kategorijos ir klientų segmentų veiksniai turi įtakos prognozuotiems pardavimams.

Kiekvieno etapo tikslas Duomenų paruošimas: Užtikrinti, kad duomenys yra tvarkingi ir tinkami analizei. EDA: Identifikuoti pagrindines tendencijas ir duomenų ypatybes. Pardavimų prognozavimas: Sukurti tikslų modelį, kuris padės numatyti būsimus pardavimus. Klientų segmentavimas: Suprasti klientų elgseną ir sukurti segmentus, kuriuos galima tiksliau nukreipti rinkodaros kampanijoms. Sezoniškumo analizė: Nustatyti, kaip sezoniškumas įtakoja pardavimus, kad būtų galima optimizuoti atsargas ir rinkodaros veiksmus. Vizualizacija ir interpretacija: Pateikti aiškius ir lengvai suprantamus rezultatus specialistams.

IŠVADOS
Naudojant Random Forest Regressor modelį, mes sukūrėme pardavimų prognozavimo sistemą. Modelio vidutinė absoliuti klaida (MAE) yra 152.11, tai reiškia, kad vidutiniškai prognozės skiriasi nuo tikrųjų pardavimų duomenų apie 152 vienetais. Šis modelis padės pardavimų vadybininkams planuoti atsargas ir nustatyti pardavimų tikslus, remiantis prognozuojamais pardavimais per įvairius laikotarpius. Naudojome Python ir mašininio mokymosi modelius, kad prognozuotume būsimus pardavimus ir segmentuotume klientus pagal jų pirkimo elgseną. Python buvo naudojamas duomenų paruošimui, modelių treniravimui ir rezultatų vizualizavimui, kas padidino analizės tikslumą ir efektyvumą.