1. Problema de Negócio

O CEO da rede de farmácia Rossman precisa saber qual a previsão de vendas de cada loja para os próximos meses com intuto de tomar decisões de negócios mais acertivas. O objetivo principal deste projeto é fornecer insights de negócios e construir um modelo capaz de fazer previsão de vendas da rede de farmácias.

Lista de Atributos

Atributo	Descrição
Store	ID único para cada loja.
Sales	Volume de vendas(variável target).
Customers	Número de clientes em determinado dia.
Open	Um indicador para saber se a loja estava aberta; (0 = fechada, 1 = aberta)
StateHoliday	Indica um feriado estadual. (a = feriado, b = feriado da Páscoa, c = Natal, 0 = Nenhum)
SchoolHoliday	Indica se foi afetado pelo fechamento de escolas públicas.
StoreType	Tipos de lojas diferentes. São 4 modelos de loja diferentes: a, b, c e d.
Assortment	Descreve um nível de estoque. (a = básico, b = extra e c = estendido)
CompetitionDistance	Distância, em metros, do competidor mais proximo.
CompetitionOpenSince[Month/Year]	Ano e mês aproximados os quais o concorrente mais próximo foi aberto.
Promo	Indica se uma loja está fazendo uma promoção naquele dia.
Promo2	Promo2 é uma promoção contínua e consecutiva para algumas lojas; (0 = Loja não está participando, 1 = Loja participando)
Promo2Since[Year/Week]	Descreve o ano e a semana em que a loja começou a participar da Promo2.
PromoInterval	Descreve os intervalos consecutivos de início da Promo2, nomeando os meses em que a promoção é iniciada novamente.

2. Planejamento da Solução

2.1 Ferramentas Utilizadas

    -Linguagem de Programação: Python
       	1. Biblioteca de manipulação de dados(Pandas,Numpy e Scipy)
           2. Biblioteca de Machine Learning (Scikit-Learn)
           3. Biblioteca de Balanceamento de Dados (Imbalanced Learn)
           4. Biblioteca de Vizualização de Dados (Matplotlib e Seaborn)
        - Flask (Escrever a Handler API)

2.2 Implementação da Solução

Descrição dos Dados: Nesta etapa busquei verificar os tipos de dados envolvidos no problema de negócio, bem como identificar valores faltantes e tratar tais valores, nesta etapa busquei identificar ainda os atributos categoricos e numéricos.

Feature Engineering: Nesta etapa construi um mapa mental de hipóteses de negócio, apartir de tal mapa mental pude derivar novas fetures bem como verificar a disponibilidade de dados para as hipóteses construidas. O principal objetivo desta etapa foi derivar novos atributos a partir dos já disponíveis.

Filtragem dos Dados: Etapa a qual filtrei valores do meu dataset, ou seja, eliminei variáveis que não mais utilizaria na modelagem ou por já terem sido utilizadas na etapa anterior ou por não estarem dentro do escopo de negócio.

Análise Exploratória dos Dados: Etapa fundamental do projeto, nesta etapa pude desenvolver a análise univariada, bivariada e multivariada. Nesta etapa, utilizei ferramentas estatísticas para encontrar insights de negócio e entender o impacto das variáveis para a construção do modelo.

Preparação dos Dados: Etapa a qual fiz normalizações, rescaling e encoding das variáveis que necessitavam. Essa etapa é essencial para que os algortimos de machine learning captem o real comportamento das dos atributos e suas relações sem dar um peso maior para variáveis que não necessitam de tal peso.

Seleção de atributos: Etapa que utilizei o algortimo boruta para selecionar as variáveis de maior importância para a criação do modelo.

Machine Learning Modelling: Etapa em que treinei diversos algortimos de aprendizado de máquina, nesta etapa utilizei os hiperparâmetros default.

Hyperparameter Fine Tunning: Nesta etapa, após calcular as performances dos algortimos na etapa anteriores utilizei o algortimos que teve menor RMSE(root mean squared error) para otimizar seus hiperparâmetros, neste etapa utilizei a técnica de random search para otimizar tais valores.

Conversão do desempenho do modelo em valores de negócios: Nesta etapa, utilzei o modelo criado para fazer predições e mostrar os cenários possíveis da utilização do modelo em produção, ou seja, converti os resultados das previções em valores financeiros.

3. Top Insights

4. Modelos de Machine Learning Aplicados

Avarege Model (Baseline)

Linear Regression Model

Linear Regression Regularized Model (LASSO)

Random Forest Regressor

XGBoost Regressor

5. Machine Learning Model Performance

Single Performance

Model Name	MAE	MAPE	RMSE
Random Forest Regressor	686.639751	0.100088	1028.114082
Average Model	1354.800353	0.455051	1835.135542
Linear Regression	1867.023022	0.292948	2671.800114
Linear Regression Regularized - Lasso	1867.577799	0.290483	2684.030214
XGBoost Regressor	6682.880735	0.949409	7329.962032

Real Performance

Model Name	MAE CV	MAPE CV	RMSE CV
Random Forest Regressor	828.67 +/- 193.75	0.12 +/- 0.02	1242.95 +/- 291.2
Linear Regression	2046.02 +/- 261.86	0.3 +/- 0.01	2908.89 +/- 392.31
Lasso	2049.6 +/- 274.99	0.29 +/- 0.01	2931.24 +/- 409.79
XGBoost Regressor	7049.17 +/- 589.69	0.95 +/- 0.0	7715.34 +/- 690.4

6. Convertendo o Desempenho do Modelo em Resultados de Negócio

Os resultados obtidos com os modelos de previsão de vendas têm um impacto direto nos objetivos comerciais da rede de farmácias Rossman. Ao aplicar esses modelos, identificamos oportunidades valiosas e pontos de melhoria que podem impulsionar a eficiência operacional e a lucratividade da empresa.

Impacto Financeiro e Estratégico:

• Otimização de Estoques: Os modelos desenvolvidos são capazes de prever com precisão as vendas futuras, permitindo à Rossman otimizar seus estoques. Isso leva a uma redução de custos de armazenamento e ao aumento da disponibilidade dos produtos nas lojas, melhorando a experiência do cliente.

• Estratégias de Promoção Eficientes: Com a identificação dos períodos mais eficazes para promoções, a empresa pode planejar campanhas promocionais mais direcionadas, aumentando o retorno sobre o investimento em marketing.

• Alocação de Recursos Inteligente: Os insights fornecidos pelos modelos auxiliam na alocação adequada de recursos, permitindo que a Rossman concentre seus esforços onde eles terão o maior impacto nas vendas e no desempenho geral das lojas.

Estimativa de Retorno sobre o Investimento (ROI):

Os modelos propostos oferecem uma oportunidade clara de retorno sobre o investimento:

• Redução de custos operacionais associados ao estoque excedente.
• Aumento das vendas devido a uma melhor previsão e estratégia de promoção.
• Aumento da satisfação do cliente pela disponibilidade de produtos desejados.

7. Conclusão

O projeto de previsão de vendas para a rede Rossman apresentou insights valiosos e abriu portas para melhorias significativas nos processos comerciais.

Principais Resultados:

• Desempenho dos Modelos: Os modelos propostos, especialmente o Random Forest Regressor, demonstraram um desempenho promissor na previsão de vendas, com resultados altamente precisos e confiáveis.

• Impacto Potencial: Os insights gerados pelos modelos oferecem à Rossman a capacidade de tomar decisões mais informadas, alinhadas com as demandas do mercado e as particularidades de suas lojas individuais.

Aprendizados e Próximos Passos:

• Aprendizados-Chave: Durante o processo, identificamos a importância da qualidade dos dados, da engenharia de atributos e da validação contínua para aprimorar os modelos de previsão.

Este projeto fornece à Rossman uma base sólida para melhorar suas operações, promover estratégias mais eficazes e, em última análise, impulsionar seu sucesso no mercado de varejo de farmácias.