Heterogeneity in feature importance and prediction performance for sales at the market and store levels: the case of branded yogurt products in Quebec
Notice bibliographique
Résumé
The supply and demand of fresh food products must be tightly integrated to mitigate food waste, economic losses, and expansion of the environmental footprint. In this study, we use a novel loyalty program dataset from a grocery retailer in Quebec, Canada to predict demand for yogurt products for 17 months from 2015 to 2016. Focusing our attention on 13 newly launched yogurt products from a local manufacturer, we build and test 18 different machine learning models capable of predicting demand for individual products at the aggregate market level, as well as for each store. Store-level data were matched to neighborhood demographic data from the 2016 Canadian census to enrich features. Overall, 330 features were engineered to provide information on the product, marketing and promotions, store, and neighborhood over time. Analyses were conducted using Python 3 in Google Collaboratory and open-source libraries. Results from the best market-level model (random forest) achieve an r-squared of 84.0% on test data, while the store-level model (light gradient boosting machine) only achieves 57%. The results show that ML tools can be useful in modeling demand for new products at aggregate levels but achieving accurate predictions at more granular levels remains a hurdle to overcome. Insights for the preparation and analysis of loyalty data are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».