بودجه و فرآیندهای برنامه ریزی نیاز به پیش بینی فروش میان مدت با سناریو های بازاریابی دارد. پیچیدگی در خرده فروشی مدرن نیاز به پیش بینی مداوم ، خودکار و تولید بینش دارد. روش های درمانی با ابعاد بالا دارای اشکالاتی است. روشهای یادگیری ماشین جعبه سیاه به داده های گسترده و فاقد بینش نیاز دارند ، در حالی که نظم دهی ممکن است تخمین های علی را در مدلهای قابل تفسیر قرار دهد.
روش پیشنهادی FAIR (پیش بینی خرده فروشی کاملاً خودکار تفسیر خرده فروشی) از روند برنامه ریزی خرده فروشی با پیش بینی های سطح فروشگاه چند مرحله ای ، ارزیابی سناریو ، و بینش پشتیبانی می کند. این فصلی فصلی خاص در فروشگاه ، بازاریابی کانونی و متقاطع و فروش پایه تطبیقی را در حالی که با مقابله با تعدیل ناشی از قاعده سازگار است در نظر می گیرد.
ما با سه زنجیره از مجموعه داده های IRI که شامل ۳۰ دسته است نشان می دهیم که مخدوش شدن ناشی از تنظیم ، دقت پیش بینی را کاهش می دهد. با استفاده از بازاریابی کانونی و مقطعی و همچنین اختلالات تصادفی ، دقت پیش بینی افزایش می یابد. FAIR دقیق تر از روش یادگیری ماشین جعبه سیاه Boosted Trees و سایر معیارها است و در عین حال بینش هایی را هماهنگ با ادبیات بازاریابی ارائه می دهد.