使用聚类算法帮助线下零售店提升供货效率

最新推荐文章于 2022-03-07 12:49:41 发布

想当大侠

最新推荐文章于 2022-03-07 12:49:41 发布

阅读量834

点赞数

分类专栏：聚类文章标签： Power BI Clustering Assortment Planning

本文链接：https://blog.csdn.net/amoszhou/article/details/80153721

版权

本文探讨了在服饰零售业中，通过Power BI和聚类算法（如K-means）分析店铺销售数据，以改进供货周期的合理性。通过对不同气候区域店铺的销售占比进行聚类，发现现有区划方案存在不合理之处，如地中海型气候区和干热区的混淆。提出了三种优化方案：全品类聚类、结合外部数据（如Google Analytics）以及利用线上销售数据。这些方法有助于减少人为噪声，提供更准确的补货策略。

摘要由CSDN通过智能技术生成

两周前公司在Noosa的一家店（confidentiality原因不具体指明品牌了）的店长反馈当地的短裤类产品卖得很火，但停止供货了。这是个有趣的问题。立即与该品牌线下零售的负责人取得联系，得到了一些背景信息。

服饰零售业显然有季节性，十多年来公司始终是根据各地气候确认何时供货的
在澳洲国内分为六个区，Hot hot热带区, Hot亚热区，Warm温带区，Cold寒冷区，Perth地中海型气候区，Riverera干热区。所有店均按这六个区的分割来确定何时进入清仓模式

在Power BI上用地图视图可以清晰看到基于地理和气候的划分

问题的第一步是证伪。根据店长反馈显然起码Noosa店并不适合按这种区划来确定供货周期(Assortment Planning)。是否的确如此呢？可以根据夏季产品的销量占比来做聚类，观察哪些店有类似的销售模式。

category_sales = df.set_index(['Store', 'Month'])
category_sales['UnitQtyMonthlySum'] = category_sales['UnitQty'].groupby(['Store', 'Month']).sum()
category_sales['UnitQtyPerc'] = category_sales['UnitQty'] / \
    category_sales['UnitQtyMonth