Прогнозирование недельных продаж Walmart

Проект, в котором я попробовал построить прогноз недельных продаж для магазинов Walmart. Задача — пройти весь процесс: от первичной очистки и EDA до обучения нескольких моделей и сравнения качества.

О проекте

Этот проект — завершённый пример предсказания недельных продаж сети Walmart. Он демонстрирует полный цикл работы аналитика:

• исследование данных (EDA),
• создание признаков для временных рядов,
• обучение нескольких моделей,
• сравнение точности,
• визуализация прогнозов,
• формирование бизнес-выводов.

---

Датасет

В датасете содержатся недельные продажи по магазинам Walmart и дополнительные признаки:

• Weekly_Sales — недельные продажи,
• Store — идентификатор магазина,
• Date — дата недели,
• Holiday_Flag — праздничная неделя или нет,
• Temperature — температура,
• Fuel_Price — цена топлива,
• CPI — индекс потребительских цен,
• Unemployment — уровень безработицы.

Цель: спрогнозировать продажи и сравнить разные подходы к моделированию.

---

Стек технологий

• Python — основной язык

• Работа с данными: pandas, numpy

• Визуализация: matplotlib, seaborn

• Временные ряды: statsmodels (ARIMA), prophet

• ML-модели:

  • RandomForestRegressor
  • GradientBoostingRegressor

---

Структура проекта

walmart-forecast/
├─ data/
│  └─ Walmart_Sales.csv                     # исходный датасет
├─ notebooks/
│  ├─ problem_and_eda.ipynb              # постановка задачи + EDA
│  ├─ feature_engineering_and_models.ipynb   # признаки + обучение моделей
│  └─ evaluation_and_insights.ipynb      # оценка моделей + выводы
└─ README.md

---

Использованные модели

Простые модели:

• Seasonal Naive — базовый ориентир (повтор продаж год назад)
• ARIMA (1 магазин) — классическая модель временных рядов
• Prophet (1 магазин) — модель тренда и сезонности

ML-модели:

• Random Forest — глобальная модель по всем магазинам
• Gradient Boosting — модель, использующая лаги, календарь и макрофакторы

---

Результаты (MAPE / WAPE)

Модель	MAPE	WAPE
Seasonal Naive	~0.053	~0.051
ARIMA (1 магазин)	~0.060	~0.059
Prophet (1 магазин)	~0.104	~0.102
Random Forest	~0.045	~0.045
Gradient Boosting	~0.042	~0.040

Gradient Boosting — лучшая модель в проекте. Она наиболее устойчива и точна при прогнозе продаж по всей сети магазинов.

Выводы

• У продаж ярко выраженная годовая сезонность.
• Праздничные недели ведут себя иначе — их лучше прогнозировать отдельно.
• Магазины сильно различаются по уровню и динамике продаж.
• Макроэкономические признаки влияют слабо, но дают небольшое улучшение.
• Глобальные ML-модели работают лучше, чем отдельные модели для каждого магазина.
• Лучшая модель — Gradient Boosting, она использует лаги, календарь и макрофакторы.

Возможные улучшения

• Кросс-валидация по временным окнам
• Подбор гиперпараметров моделей
• Кластеризация магазинов по поведению спроса
• Построение ансамбля моделей