Previsão de vendas (Sales forecast)

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 da loja são influenciadas por muitos fatores, incluindo promoções, competição, feriados escolares e estaduais, sazonalidade e localidade. Com milhares de gerentes individuais prevendo vendas com base em suas circunstâncias únicas, a precisão dos resultados pode ser bastante variada. Nesse sentido, o CFO pede a previsão de todas as lojas de forma antecipe a venda em até 6 semanas.

0.0 Questão de negócio

Qual é o valor das vendas de cada loja nas próximas 6 semanas?

1.0 Qual a motivação?

A previsão de vendas foi requisitada pelo CFO em uma reunião mensal sobre os resultados das lojas.

2.0 Qual a causa raiz do problema?

Dificuldade em determinar o valor do investimento para as reformas de cada loja.

3.0 Quem é o dono do problema?

Diretor financeiro (CFO) da Rossman.

4.0 Qual é o formato da solução?

• Granularidade: Previsão de vendas por dias e por loja os próximos 42 dias (6 Semanas)

• Tipo do problema: Previsão de vendas (Regressão)

• Potenciais métodos: Séries temporais e regressão com algumas modificações.

• Formato de entrega (3 itens):

  • O valor total das vendas no final das 6 semanas (Uma coluna com o código ID da loja e outra coluna com o valor de vendas).
  • A entrega será pelo celular (app).
  • Checagem diária.

Project Organization

├── poetry.lock             <- Packges and dependencies.
├── pyproject.toml          <- Configuration of the project
├── AUTHORS.md              <- List of developers and maintainers.
├── CHANGELOG.md            <- Changelog to keep track of new features and fixes.
├── CONTRIBUTING.md         <- Guidelines for contributing to this project.
├── LICENSE.txt             <- License as chosen on the command-line.
├── README.md               <- The top-level README for developers.
├── configs                <- Directory for configurations of model & application.
├── notebooks              <- Jupyter notebooks. Naming convention is a number (for
│     |                       ordering), the creator's initials and a description,
│     └──                      e.g. `1.0-initial-data-exploration`.
├── scripts                 <- Analysis and production scripts which import the
|     └──                       actual PYTHON_PKG, e.g. train_model.
├── data
│   ├── external            <- Data from third party sources.
│   ├── interim             <- Intermediate data that has been transformed.
│   ├── processed           <- The final, canonical data sets for modeling.
│   └── raw                 <- The original, immutable data dump.
└──  docs                    <- Directory for documentation of the project in txt or docx.