আমি একটি পণ্যের মোট বিক্রয় ভবিষ্যদ্বাণী করতে একটি মডেল বিকাশ উপর কাজ করছি। আমার কাছে বুকিংয়ের ডেটা প্রায় দেড় বছর রয়েছে, তাই আমি একটি স্ট্যান্ডার্ড টাইম সিরিজ বিশ্লেষণ করতে পারি। তবে, প্রতিটি 'সুযোগ' (সম্ভাব্য বিক্রয়) সম্পর্কে আমার কাছে প্রচুর ডেটা রয়েছে যা হয় বন্ধ বা হারিয়ে গিয়েছিল। পাইপলাইন বন্ধ বা হারিয়ে না যাওয়া পর্যন্ত 'সুযোগগুলি' অগ্রসর হয়; তাদের কাছে সম্ভাব্য ক্রেতা, বিক্রয় ব্যক্তি, কথোপকথনের ইতিহাস, শিল্প, বুকিংয়ের আনুমানিক আকার ইত্যাদি সম্পর্কিত তথ্য রয়েছে have
আমার লক্ষ্যটি চূড়ান্তভাবে মোট বুকিংয়ের পূর্বাভাস দেওয়া, তবে আমি বুকিংয়ের আসল 'মূল কারণ', যা বর্তমান 'সুযোগগুলি' সম্পর্কে এই সমস্ত তথ্যের জন্য অ্যাকাউন্ট করতে চাই।
আমার একটি ধারণা নিম্নরূপে দুটি ভিন্ন মডেল ব্যবহার করতে হবে:
এমন একটি মডেল তৈরি করতে historicalতিহাসিক 'সুযোগগুলি' ব্যবহার করুন যা কোনও ব্যক্তি 'সুযোগ' থেকে উদ্ভূত বুকিংয়ের পূর্বাভাস দেয় (আমি সম্ভবত এ পদক্ষেপের জন্য এলোমেলো বন বা এমনকি সাধারণ প্লেইন লিনিয়ার রিগ্রেশন ব্যবহার করব)।
বর্তমানে পাইপলাইনে থাকা সমস্ত 'সুযোগের' আনুমানিক বুকিংয়ের পূর্বাভাস দেওয়ার জন্য 1 থেকে মডেলটি ব্যবহার করুন, তারপরে প্রতিটি 'সুযোগ' তৈরি করা মাসের ভিত্তিতে সেই অনুমানগুলি যোগ করুন।
একটি মাসের historicalতিহাসিক সময় সিরিজের ডেটা 1.5 বছর ব্যবহার করে এবং টাইম সিরিজের মডেল (সম্ভবত আরিমা?) ব্যবহার করুন এবং সেই মাসে তৈরি করা সমস্ত 'সুযোগের' জন্য মোট বুকিং (1 থেকে মডেলটি ব্যবহার করে) ব্যবহার করুন।
অনুমোদিত সুযোগগুলি সত্যিকারের বুকিংয়ে রূপান্তরিত হওয়ার ক্ষেত্রে পিছিয়ে থাকতে পারে তবে সময় সিরিজের মডেলটি ল্যাগটি মোকাবেলা করতে সক্ষম হওয়া উচিত।
কেমন লাগছে এই শব্দ? আমি সময় সিরিজ এবং বিক্রয় পূর্বাভাস সম্পর্কে প্রচুর পড়া করেছি এবং আমি যা বলতে পারি তা থেকে এটি কিছুটা অনন্য পদ্ধতির। সুতরাং আমি সত্যিই কোন প্রতিক্রিয়া প্রশংসা করব!