Store Sales - Time Series Forecasting : Description

매장 매출 - 시계열 예측: 서술

---

Goal of the Competition

이 대회의 목표

In this “getting started” competition, you’ll use time-series forecasting to forecast store sales on data from Corporación Favorita, a large Ecuadorian-based grocery retailer.

이 시작하기 위한 대회에선, 시계열 예측을 사용하여 Corporación Favorita라는 대규모 에콰도르 식료품 소매업체의 매출을 예측합니다.

• forecast : 예측
• grocery: 식료잡화점
• retailer: 소매업자

Specifically, you’ll build a model that more accurately predicts the unit sales for thousands of items sold a different Favorita stores. You’ll practice your machine learning skills with an approachable training dataset of dates, store, and item information, promotions, and unit sales

구체적으로, 수천 개의 상품이 다른 Favorita 매장에서 판매되는 판매량을 더 정확하게 예측하는 모델을 구축합니다. 날짜, 매장, 상품 정보, 프로모션, 판매량으로 구성된 친근한 학습용 데이터셋을 사용하여 기계 학습 기술들을 연습합니다.

• approachable: 이해하기 쉬운, 접근 가능한
• promotion: 승진, 판촉

Get started

시작하기

We highly recommend the Time Series course, which walks through how to make your first submission. The lessons in this course are inspired by winning solutions from past Kaggle time series forecasting competitions

우리는 첫 번째 제출 방법을 설명하는 시계열 과정을 적극 추천합니다. 이 과정의 교훈은 과거 Kaggle 시계열 예측 대회의 우승한 솔루션을 참고하여 작성하였습니다.

• lesson: 가르침, 교훈
• inspired: 탁월한, 영감을 받아

Context

맥락

Forecast aren’t just for meteorologists. Governments forecast economic growth. Scientist attempt to predict the future population. And businesses forecast product demandㅡa common task of professional data scientists. Forecasts are especially relevant to brick-and-mortar grocery stores, which must dance delicately with how much inventory to buy. Predict a little over, and grocers are stuck with overstocked, perishable goods. Guess a little under, and popular items quickly sell out, leading to lost revenue and upset customers. More accurate forecasting, thanks to machine learning, could help ensure retailers please customers by having just enough of the right products at the right time.

맑은 날씨를 예상하는 것은 기상학자들만이 아닙니다. 정부는 경제 성장을 예측합니다. 과학자들은 미래의 인구를 예측하려고 노력합니다. 그리고 기업들은 제품의 수요를 예측하, 이는 전문적인 데이터 과학자들의 흔한 일 중 하나입니다. 예측은 특히 재고를 얼마나 구매해야할 지 섬세하게 움직여야하는 오프라인 식료품점과 관련이 있습니다. 조금 예측이 지나치면, 가게에 보관하고 있는 상품이 훼손되거나 상한 상태가 됩니다. 반대로 부족하게 예측하면, 인기 있는 상품이 빨리 품절되어 매출 손실과 불만 있는 고객들을 야기하게 됩니다. 기계학습 덕분에 더 정확한 예측이 가능해져 소매업체는 적절한 시간에 충분한 제품을 보유하여 고객 만족도를 높일 수 있습니다.

• meteorologist: 기상학자
• relevant: 관련 있는, 적절한
• brick-and-mortar: 소매의, 오프라인 거래의
• delicately: 조심스럽게, 민감하게
• stuck: 움직일 수 없는, 갇힌, 막힌
• overstocked: 공급과잉의
• perishable: 잘 상하는, 썩는
• ensure: 반드시 ~하게 하다. 보장하다.

Current subjective forecasting methods for retail have little data to back them up and are unlikely to be automated. The problem becomes even more complex as retailers add new locations with unique needs, new products, ever-transitioning seasonal tastes, and unpredictable product marketing.

현재 소매업에 대한 주관적인 예측 방법은 이를 뒷받침할 데이터가 거의 없으며 자동화될 가능성이 낮습니다. 소매업체들이 독특한 요구, 새로운 상품, 끊임없이 변화하는 계절적 취향, 예측할 수 없는 제품 마케팅 등을 통해 새로운 장소를 추가함에 따라 문제는 더욱 복잡해집니다.

• current: 현재의, 지금의, 통용되는
• subjective: 주관적인
• unlikely: 할 것 같지 않은, 있음직하지 않은
• transitioning: 변화하는

Potential Impact

잠재적인 영향

If successful, you’ll have fiexed some new skills in a real world example. For grocery stores, more accurate forecasting can decrease food waste related to overstocking and improve customer satisfaction. The results of this ongoing competition, over time, might even ensure your local store has exactly what you need the next time you shop.

성공한다면, 실제 예시에서 새로운 기술을 적용하여 스킬을 향상시킬 수 있습니다. 식료품점에서 더 정확한 예측은 재고 초과로 인한 음식 폐기물을 감소시키고 고객 만족도를 향상시킬 수 있습니다. 이번 대회의 결과는 시간이 지나면 다음 번에 쇼핑할 때 필요한 것을 지역 상점에 정확하게 제공할 수 있습니다.

• accurate: 정확한
• related to: ~와 관련 있는
• ongoing: 계속 진행중인