A Rossmann opera mais de 3.000 drogarias em 7 países europeus. Atualmente, os gerentes de loja da Rossmann têm a tarefa de prever suas vendas diárias com até seis semanas de antecedência. As vendas das lojas são influenciadas por muitos fatores, incluindo promoções, concorrência, feriados escolares e estaduais, sazonalidade e localização. Com milhares de gerentes individuais prevendo vendas com base em suas circunstâncias únicas, a precisão dos resultados pode ser bastante variada.
A Rossmann está desafiando você a prever 6 semanas de vendas diárias para 1.115 lojas localizadas em toda a Alemanha. Previsões de vendas confiáveis permitem que os gerentes de loja criem cronogramas de funcionários eficazes que aumentam a produtividade e a motivação. Ao ajudar a Rossmann a criar um modelo de previsão robusto, você ajudará os gerentes de loja a permanecerem focados no que é mais importante para eles: seus clientes e suas equipes!
Os dados utilizados nesse problema foram obtidos do Kaggle, no desafio "Rossmann Store Sales". Os dados incluem informações sobre as vendas, promoções, feriados, condições climáticas e outros fatores que podem influenciar as vendas.
A solução proposta consiste em um modelo de machine learning que possa prever as vendas das lojas Rossmann nas próximas seis semanas. Esse modelo está hospedado em nuvem, e pode ser acessado através de bot de Telegram a qualquer momento, assim os stakeholders do projeto tem a previsão de vendas de suas lojas sempre à disposição.
A primeira ação para solucionar o problema proposto foi a realização de uma descrição e de uma análise exploratória dos dados, com o objetivo de tratar e entender os dados disponíveis.
Foram conduzidas três tipos de análises:
Análise da distriuição de cada variável de forma isolada. Nessa fase foi possível observar, por exemplo, que a variável resposta possui uma distribuição aproximadamente normal.
Cada variável é analisada em relação a variável resposta. Nessa fase uma lista de hióteses que podem trazer insights sobre os dados é criada e então validada. Algumas descobertas importantes foram:
- Não há correlação clara entre distancia dos competidores e vendas.
- Não há correlação clara entre idade dos competidores e vendas.
- Não há tendencia clara de crecimento de vendas ao passar dos anos, porém existe uma tendencia sazonal.
Nessa fase o Coeficiente de Pearson foi utilizado para analisar a relação entre as variáveis numéricas;
Enquanto o V de Cramér foi utilizando para as variáveis categóricas.
Para escolher o modelo ideal, testa-se vários modelos sem modificar parâmetros e compara suas métricas com um modelo simples de média. O resultado foi:
| Model | MAE | MAPE | RMSE |
|---|---|---|---|
| Random Forest | 651.34 | 0.0958 | 1023.1 |
| XGBoost | 1130.0 | 0.1671 | 1632.44 |
| Average Model | 1354.8 | 0.2064 | 1835.14 |
| Lasso | 1890.57 | 0.2893 | 2741.42 |
| Linear Regression | 2078.71 | 0.3047 | 3102.64 |
Note
Esses dados mostram que o modelos lineares não performam melhor que o modelo de média, o que indica que esses dados precisam de modelos mais complexos.
Em seguida a performance dos modelos é analisada utilizando cross validation, e os resultados são:
| Model | MAE CV | MAPE CV | RMSE CV |
|---|---|---|---|
| Random Forest | 733.8 +/- 117.35 | 0.106 +/- 0.0158 | 1102.23 +/- 178.97 |
| XGBoost | 981.66 +/- 103.56 | 0.1409 +/- 0.0108 | 1401.81 +/- 145.51 |
| Lasso | 1947.16 +/- 132.37 | 0.2863 +/- 0.0033 | 2814.28 +/- 214.06 |
| Linear Regression | 1927.38 +/- 95.66 | 0.298 +/- 0.0153 | 2724.56 +/- 179.52 |
Após os testes, o modelo escolhido para implementação da solução final foi o XGBoost Regressor
Note
O modelo de XGBoost Regressor foi preferido,entre outros de melhor performance, por sua rápida implementação e menor tamanho de arquivo. Essas características são importantes quando se deseja colocar o modelo em produção.
Para realizar a tunangem de hiperparâmetros foi utilizado o algoritimo de Random Search, o que gerou um modelo com a seguinte performance:
| Model | MAE | MAPE | RMSE |
|---|---|---|---|
| XGBoost Regressor | 729.5 | 0.1066 | 1088.71 |
É posssível analisar a performance do modelo final de algumas maneiras diferentes.
-
É possível observar que a maior parte das lojas possui um erro percentual (MAPE) na faixa de 0% a 20%, porém o erro máximo chega próximo a 120%, o que pode representar um problema.
-
É viavel somar o faturamento previsto para todas as lojas, e projetar cenários de faturamento total a partir do erro médio.
| Scenario | Values |
|---|---|
| Predictions | € 282,895,872.00 |
| Worst Scenario | € 249,995,088.00 |
| Best Scenario | € 315,796,640.00 |
- O gráfico superior direito mostra que o modelo está subestimando os valores, caso a superestimação seja melhor para o modelo de negócio o modelo deve ser ajustado.
O modelo final foi disponibilizado por meio de uma API desenvolvida com FastAPI e hospedada no Render. O código dessa API está disponível aqui.
Os resultados das predições também podem ser acessados através de um bot do telegram.
O funcionamento do bot pode ser visto abaixo. Seu codigo está disponível aqui.
rossmannbot.mov
Após o primeiro ciclo de desenvolvimento tem-se um produto funcional e que atende aos requisitos necessários do problema de negócio proposto.
A possibilidade de visualizar os faturamento de todas as lojas a qualquer momento em um dispositívo móvel confere maior agilidade e assertividade as decisões a serem tomadas pela empresa.
- Testar o modelo com outras features
- Utilizar outros métodos de fine tuning como Grid Search ou Bayesian Search
- Testar outros algoritmos de machine learning
Distribuído sob a licença MIT. Veja LICENSE.txt para mais informações.
Feito com ❤️ por Elias Batista 👋🏽 Entre em contato!
