I dag har Rooftop submittet sit bidrag til Kaggle-konkurrencen M5 Forecasting - accuracy

Det overordnede formål med konkurrencen er at se, om brugen af machine learning kan forbedre demand forecasts pr. dag pr. vare - 1 til 28 dage frem i tiden.

Vores erfaring: Det gør en forskel. Særligt interessant var det at vi fandt ud af, hvordan vi modelmæssigt tackler dage, hvor en vare har et nul-salg. 


Vi modellerede prædiktionen af et nul-salg separat i en binær klassifikationsmodel. Derved undgår vi den systematiske bias i prædiktioner, der opstår som følge af, at data ved nul-salg er censureret. Endvidere identificerer vi relevante makroøkonomiske indikatorer, der forbedrer salgs forecastet.


Der er helt klart forbedringer at hente i salgs forecast, ved brug af machine Learning, især når det i modelbygningsfasen kombineres med viden fra økonomisk teori og fra empiriske økonomiske trends. 


Vi har som team brugt tiden godt under COVID-19 i denne konkurrence og vi takker Forskerparken, Odense, Danmark, der gjorde det muligt for os ved at låne os ekstra kontorlokaler i denne periode. Mange tak!