تنفيذ Amazon Forecast في صناعة البيع بالتجزئة: رحلة من POC إلى الإنتاج

توقعات الأمازون هي خدمة مُدارة بالكامل تستخدم خوارزميات التعلم الإحصائي والآلي (ML) لتقديم تنبؤات متسلسلة زمنية عالية الدقة. مؤخرًا ، استنادًا إلى Amazon Forecast ، ساعدنا أحد عملاء التجزئة لدينا على تحقيق تنبؤ دقيق بالطلب ، في غضون 8 أسابيع. أدى الحل إلى تحسين التنبؤ اليدوي بمتوسط ​​10٪ فيما يتعلق بـ الواب قياس. يؤدي هذا إلى توفير مباشر قدره 16 ساعة عمل شهريًا. بالإضافة إلى ذلك ، قدرنا أنه من خلال تحقيق العدد الصحيح من العناصر ، يمكن أن تزيد المبيعات بنسبة تصل إلى 11.8٪. في هذا المنشور ، نقدم سير العمل والعناصر الحاسمة للتنفيذ - من إثبات المفهوم (POC) إلى الإنتاج - وهو نظام التنبؤ بالطلب باستخدام Amazon Forecast ، الذي يركز على التحديات في صناعة البيع بالتجزئة.

الخلفية والتحديات الحالية للتنبؤ بالطلب في صناعة البيع بالتجزئة

الهدف من التنبؤ بالطلب هو تقدير الطلب المستقبلي من البيانات التاريخية ، وللمساعدة في تخزين التجديد وتخصيص السعة. من خلال التنبؤ بالطلب ، يمكن لتجار التجزئة وضع الكمية المناسبة من المخزون في كل موقع في شبكتهم لتلبية الطلب. لذلك ، يمكن لنظام التنبؤ الدقيق أن يقود مجموعة واسعة من الفوائد عبر وظائف العمل المختلفة ، مثل:

• زيادة المبيعات من توافر المنتجات بشكل أفضل وتقليل جهد نقل النفايات بين المتاجر
• تقديم رؤى أكثر موثوقية لتحسين استخدام السعة وتجنب الاختناقات بشكل استباقي في توفير السعة
• تقليل تكاليف المخزون والإنتاج وتحسين معدل دوران المخزون
• تقديم تجربة عملاء أفضل بشكل عام

تُظهر تقنيات ML قيمة كبيرة عند وجود كمية كبيرة من البيانات عالية الجودة. اليوم ، لا تزال إدارة التجديد المستندة إلى الخبرة أو توقعات الطلب هي السائدة لمعظم تجار التجزئة. بهدف تحسين تجربة العملاء ، أصبح المزيد والمزيد من تجار التجزئة على استعداد لاستبدال أنظمة التنبؤ بالطلب القائمة على الخبرة بالتنبؤات المستندة إلى ML. ومع ذلك ، يواجه تجار التجزئة تحديات متعددة عند تنفيذ أنظمة التنبؤ بالطلب المستندة إلى ML في الإنتاج. نلخص التحديات المختلفة في ثلاث فئات: تحديات البيانات ، تحديات التعلم الآلي ، والتحديات التشغيلية.

تحديات البيانات

يعد الحجم الكبير من البيانات النظيفة عالية الجودة مطلبًا أساسيًا لتحقيق تنبؤات دقيقة تستند إلى ML. يجب جمع وتوحيد بيانات الجودة ، بما في ذلك المبيعات التاريخية والبيانات المتعلقة بالمبيعات (مثل المخزون وتسعير الأصناف والعروض الترويجية). يتطلب تنوع البيانات من مصادر متعددة منصة بيانات حديثة لتوحيد صوامع البيانات. بالإضافة إلى ذلك ، يعد الوصول إلى البيانات في الوقت المناسب ضروريًا لتوقعات الطلب المتكررة والدقيقة.

تحديات ML

يتطلب تطوير خوارزميات ML المتقدمة الخبرة. يتطلب تنفيذ الخوارزميات الصحيحة للمشكلة الصحيحة معرفة متعمقة بالمجال وكفاءات تعلم الآلة. بالإضافة إلى ذلك ، يتطلب التعلم من مجموعات البيانات الكبيرة المتاحة بنية تحتية لتعلم الآلة قابلة للتطوير. علاوة على ذلك ، يتطلب الحفاظ على خوارزميات تعلم الآلة في الإنتاج كفاءات تعلم الآلة من أجل تحليل السبب الجذري لتدهور النموذج وإعادة تدريب النموذج بشكل صحيح.

لحل مشاكل العمل العملية ، فإن إنتاج تنبؤات دقيقة ليس سوى جزء من القصة. يحتاج صانعو القرار إلى تنبؤات احتمالية بمقاييس مختلفة تجعل تجربة العميل مهمة مقابل قرارات مقايضة النتائج المالية. يحتاجون أيضًا إلى شرح التنبؤات لأصحاب المصلحة ، وإجراء تحليلات ماذا لو لاستقصاء كيفية تأثير السيناريوهات المختلفة على نتائج التنبؤ.

التحديات التشغيلية

يعد تقليل الجهد التشغيلي للحفاظ على نظام تنبؤ فعال من حيث التكلفة هو التحدي الرئيسي الثالث. في سيناريو شائع للتنبؤ بالطلب ، يكون لكل عنصر في كل موقع توقعاته الخاصة. مطلوب نظام يمكنه إدارة مئات الآلاف من التنبؤات في أي وقت. بالإضافة إلى ذلك ، يحتاج المستخدمون النهائيون للأعمال إلى دمج نظام التنبؤ في أنظمة المصب الحالية ، مثل منصات إدارة سلسلة التوريد الحالية ، حتى يتمكنوا من استخدام الأنظمة القائمة على ML دون تعديل الأدوات والعمليات الحالية.

تكون هذه التحديات حادة بشكل خاص عندما تكون الأعمال كبيرة وديناميكية ومتنامية. لمواجهة هذه التحديات ، نشارك قصة نجاح العميل التي تقلل من الجهود المبذولة للتحقق بسرعة من المكاسب التجارية المحتملة. يتم تحقيق ذلك من خلال النماذج الأولية باستخدام Amazon Forecast - وهي خدمة مُدارة بالكامل توفر نتائج تنبؤ دقيقة دون الحاجة إلى إدارة موارد وخوارزميات البنية التحتية الأساسية.

النماذج الأولية السريعة لنظام التنبؤ المستند إلى ML مع Amazon Forecast

بناءً على تجربتنا ، غالبًا ما نرى أن عملاء التجزئة على استعداد لبدء إثبات المفهوم في بيانات مبيعاتهم. يمكن القيام بذلك في نطاق من بضعة أيام إلى بضعة أسابيع للنماذج الأولية السريعة ، اعتمادًا على تعقيد البيانات والموارد المتاحة للتكرار خلال عملية ضبط النموذج. أثناء إنشاء النماذج الأولية ، نقترح استخدام سباقات السرعة لإدارة العملية بشكل فعال ، وفصل POC إلى استكشاف البيانات ، والتحسين التكراري ، ومراحل التشغيل الآلي.

استكشاف البيانات

غالبًا ما يتضمن استكشاف البيانات مناقشة مكثفة مع علماء البيانات أو محللي ذكاء الأعمال للتعرف على مجموعة بيانات المبيعات التاريخية ومصادر البيانات المتاحة التي يمكن أن تؤثر على نتائج التنبؤ ، مثل المخزون والأحداث الترويجية التاريخية. تتمثل إحدى أكثر الطرق فاعلية في دمج بيانات المبيعات ، مثل مجموعة البيانات المستهدفة ، من مستودع البيانات في المرحلة المبكرة من المشروع. يعتمد هذا على حقيقة أن النتائج المتوقعة غالبًا ما تهيمن عليها أنماط مجموعة البيانات المستهدفة. غالبًا ما تقوم مستودعات البيانات بتخزين بيانات الأعمال اليومية ، ويكون الفهم الشامل في غضون فترة زمنية قصيرة أمرًا صعبًا ويستغرق وقتًا طويلاً. اقتراحنا هو التركيز على إنشاء مجموعة البيانات المستهدفة والتأكد من صحة مجموعة البيانات هذه. غالبًا ما يمكن تحقيق نتائج استكشاف البيانات وخط الأساس هذه في غضون أيام قليلة ، ويمكن أن يحدد هذا ما إذا كان يمكن التنبؤ بالبيانات المستهدفة بدقة. نناقش إمكانية التنبؤ بالبيانات لاحقًا في هذا المنشور.

تكرار

بعد أن نحصل على النتائج الأساسية ، يمكننا الاستمرار في إضافة المزيد من البيانات ذات الصلة لمعرفة كيف يمكن أن تؤثر على الدقة. يتم ذلك غالبًا من خلال الغوص العميق في مجموعات البيانات الإضافية ؛ لمزيد من المعلومات ، يرجى الرجوع إلى استخدام مجموعات بيانات السلاسل الزمنية ذات الصلة و استخدام مجموعات البيانات الوصفية للعنصر.

في بعض الحالات ، قد يكون من الممكن تحسين الدقة في Amazon Forecast عن طريق تدريب النماذج بمجموعات فرعية تتصرف بالمثل من مجموعة البيانات ، أو عن طريق إزالة البيانات المتفرقة من مجموعة البيانات. خلال مرحلة التحسين التكراري هذه ، يتمثل الجزء الصعب - الذي ينطبق على جميع مشروعات تعلم الآلة - في أن التكرار الحالي يعتمد على النتائج والرؤى الرئيسية للتكرار السابق ، لذا فإن التحليل الدقيق وإعداد التقارير هما مفتاح النجاح.

يمكن إجراء التحليل كميًا وتجريبيًا. يشير الجانب الكمي إلى التقييم أثناء الاختبار العكسي ومقارنة مقياس الدقة ، مثل الواب. يشير الجانب التجريبي إلى تصور منحنى التنبؤ والبيانات المستهدفة الفعلية ، واستخدام معرفة المجال لدمج العوامل المحتملة. تساعدك هذه التحليلات على التكرار بشكل أسرع لسد الفجوة بين النتائج المتوقعة والبيانات المستهدفة. بالإضافة إلى ذلك ، فإن تقديم مثل هذه النتائج عبر تقرير أسبوعي يمكن أن يوفر غالبًا الثقة للمستخدمين النهائيين للأعمال.

أتمتة

غالبًا ما تتضمن الخطوة الأخيرة مناقشة POC لإجراءات الإنتاج والأتمتة. نظرًا لأن مشروع ML مقيد بالمدة الإجمالية للمشروع ، فقد لا يكون لدينا الوقت الكافي لاستكشاف كل الاحتمالات. لذلك ، فإن الإشارة إلى المنطقة المحتملة من خلال النتائج أثناء المشروع يمكن أن يكتسب الثقة في كثير من الأحيان. بالإضافة إلى ذلك ، يمكن أن تساعد الأتمتة المستخدمين النهائيين للأعمال على تقييم التوقعات لفترة أطول ، لأنهم يستطيعون استخدام متنبئ موجود لإنشاء تنبؤات بالبيانات المحدثة.

يمكن تقييم معايير النجاح من خلال النتائج التي تم الحصول عليها ، سواء من المنظور الفني أو التجاري. خلال فترة التقييم ، يمكننا تقدير الفوائد المحتملة لما يلي:

• زيادة دقة التوقعات (الفنية) - احسب دقة التنبؤ فيما يتعلق ببيانات المبيعات الفعلية ، وقارن مع نظام التنبؤ الحالي ، بما في ذلك التنبؤات اليدوية
• تقليل الفاقد (الأعمال) - التقليل من الإفراط في التنبؤ من أجل تقليل الفاقد
• تحسين أسعار الأسهم (الأعمال) - التقليل من عدم القدرة على التنبؤ من أجل تحسين معدلات المخزون
• تقدير زيادة إجمالي الربح (الأعمال) - تقليل الفاقد وتحسين معدلات المخزون لزيادة الربح الإجمالي

نلخص سير عمل التطوير في الرسم البياني التالي.

في الأقسام التالية ، نناقش العناصر المهمة التي يجب أخذها في الاعتبار أثناء التنفيذ.

سير العمل خطوة بخطوة لتطوير نظام التنبؤ

الهدف توليد مجموعة البيانات

تتمثل الخطوة الأولى في إنشاء مجموعة البيانات المستهدفة للتنبؤ. في صناعة البيع بالتجزئة ، يشير هذا إلى بيانات طلب ومبيعات السلاسل الزمنية التاريخية لعناصر البيع بالتجزئة (SKU). عند إعداد مجموعة البيانات ، فإن أحد الجوانب المهمة هو الدقة. يجب أن نأخذ في الاعتبار دقة البيانات من كل من متطلبات العمل والمتطلبات الفنية.

يحدد العمل كيفية التنبؤ بنتائج في نظام الإنتاج:

• الأفق - عدد الخطوات الزمنية التي يتم توقعها. هذا يعتمد على مشكلة العمل الأساسية. إذا أردنا إعادة ملء مستوى المخزون كل أسبوع ، فإن التوقعات الأسبوعية أو التوقعات اليومية تبدو مناسبة.
• تقسيمات - دقة توقعاتك: التكرار الزمني مثل اليوم أو الأسبوعي ، ومواقع المتاجر المختلفة ، والأحجام المختلفة لنفس العنصر. في النهاية ، يمكن أن يكون التوقع مزيجًا من كل متجر SKU ، مع نقاط بيانات يومية.

على الرغم من ضرورة تحديد أفق ودقة التنبؤ المذكورين أعلاه لتحديد أولويات متطلبات العمل ، فقد نحتاج إلى إجراء مفاضلات بين المتطلبات والجدوى. خذ تجارة الأحذية كمثال واحد. إذا أردنا التنبؤ بمبيعات كل مقاس حذاء على مستوى كل متجر ، فسرعان ما تصبح البيانات متفرقة ويصعب العثور على النمط. ومع ذلك ، لإعادة ملء المخزون ، نحتاج إلى تقدير هذا التفصيل. للقيام بذلك ، قد تتطلب الحلول البديلة تقدير النسبة بين أحجام الأحذية المختلفة واستخدام هذه النسبة لحساب النتائج الدقيقة.

نحتاج غالبًا إلى الموازنة بين متطلبات العمل ونمط البيانات الذي يمكن تعلمه واستخدامه للتنبؤ. لتوفير التأهيل الكمي لأنماط البيانات ، نقترح استخدام إمكانية التنبؤ بالبيانات.

إمكانية التنبؤ بالبيانات وتصنيف أنماط البيانات

تتمثل إحدى الأفكار الرئيسية التي يمكننا جمعها من مجموعة البيانات المستهدفة في قدرتها على إنتاج تنبؤات جيدة. يمكن تحليل ذلك في المرحلة المبكرة جدًا من مشروع ML. تتألق التوقعات عندما تظهر البيانات الموسمية والاتجاهات والأنماط الدورية.

لتحديد القدرة على التنبؤ ، هناك عاملان رئيسيان: التباين في توقيت الطلب والتغير في كمية الطلب. المتغير في توقيت الطلب يعني الفترة الفاصلة بين حالتين من حالات الطلب ، ويقيس انتظام الطلب في الوقت المناسب. المتغير في كمية الطلب يعني التباين في الكميات. يوضح الشكل التالي بعض الأنماط المختلفة. تعتمد دقة التنبؤ بشدة على إمكانية التنبؤ بالمنتج. لمزيد من المعلومات ، يرجى الرجوع إلى تصنيف الطلب: لماذا التنبؤ مهم.

تجدر الإشارة إلى أن تحليل القدرة على التنبؤ هذا مخصص لكل عنصر دقيق (على سبيل المثال ، SKU-Store-Color-Size). من الشائع جدًا أنه في نظام إنتاج التنبؤ بالطلب ، تتبع العناصر المختلفة أنماطًا مختلفة. لذلك ، من المهم فصل العناصر باتباع أنماط بيانات مختلفة. أحد الأمثلة النموذجية هو العناصر سريعة الحركة والبطيئة الحركة ؛ مثال آخر هو البيانات الكثيفة والمتفرقة. بالإضافة إلى ذلك ، فإن العنصر الدقيق لديه فرص أكبر في الحصول على نمط متكتل. على سبيل المثال ، في متجر لبيع الملابس ، يمكن أن تكون مبيعات عنصر شائع واحدًا سلسة جدًا يوميًا ، ولكن إذا قمنا بفصل مبيعات العنصر عن كل لون وحجم ، سرعان ما يصبح متناثرًا. لذلك ، يمكن أن يؤدي تقليل الدقة من SKU-Store-Color-Size إلى SKU-Store إلى تغيير نمط البيانات من متكتل إلى سلس ، والعكس صحيح.

علاوة على ذلك ، لا تساهم جميع العناصر في المبيعات بالتساوي. لقد لاحظنا أن مساهمة العناصر غالبًا ما تتبع توزيع Pareto ، حيث تساهم العناصر الأعلى في معظم المبيعات. غالبًا ما تكون مبيعات هذه العناصر المهمة سلسة. غالبًا ما تكون العناصر ذات سجل المبيعات الأقل متكتلة وغير منتظمة ، وبالتالي يصعب تقديرها. قد تؤدي إضافة هذه العناصر في الواقع إلى تقليل دقة عناصر المبيعات الأعلى. بناءً على هذه الملاحظات ، يمكننا فصل العناصر إلى مجموعات مختلفة ، وتدريب نموذج التنبؤ على عناصر المبيعات الأعلى ، والتعامل مع عناصر المبيعات المنخفضة كحالات زاوية.

إثراء البيانات واختيار مجموعة بيانات إضافية

عندما نريد استخدام مجموعات بيانات إضافية لتحسين أداء نتائج التنبؤ ، يمكننا الاعتماد عليها مجموعات بيانات السلاسل الزمنية و مجموعات البيانات الوصفية. في مجال البيع بالتجزئة ، بناءً على الحدس ومعرفة المجال ، يمكن استيراد ميزات مثل المخزون والسعر والترويج وفصول الشتاء أو الصيف كسلسلة زمنية ذات صلة. إن أبسط طريقة لتحديد فائدة الميزات هي عبر أهمية الميزة. في التنبؤ ، يتم ذلك عن طريق تحليل التفسير. تنبؤ بالمناخ إمكانية التوقع يساعدنا على فهم أفضل لكيفية تأثير السمات في مجموعات البيانات على توقعات الهدف. يستخدم التوقع مقياسًا يسمى درجات التأثير لتقدير التأثير النسبي لكل سمة وتحديد ما إذا كانت تزيد أو تنقص قيم التنبؤ. إذا كانت إحدى السمات أو أكثر لها درجة تأثير صفر ، فلن يكون لهذه السمات تأثير كبير على قيم التنبؤ. بهذه الطريقة ، يمكننا إزالة الميزات التي لها تأثير أقل بسرعة وإضافة الميزات المحتملة بشكل متكرر. من المهم ملاحظة أن درجات التأثير تقيس التأثير النسبي للسمات ، والتي يتم تطبيعها مع درجات التأثير لجميع السمات الأخرى.

مثل جميع مشاريع ML ، يتطلب تحسين الدقة بميزات إضافية تجارب متكررة. تحتاج إلى تجربة مجموعات متعددة من مجموعات البيانات ، مع ملاحظة تأثير التغييرات المتزايدة على دقة النموذج. يمكنك محاولة تشغيل العديد من تجارب التوقعات عبر وحدة التحكم في التوقعات أو باستخدام دفاتر Python مع واجهات برمجة تطبيقات التنبؤ. بالإضافة إلى ذلك ، يمكنك الانضمام إلى ملفات تكوين سحابة AWS، التي تنشر AWS قدمت حلولًا جاهزة لحالات الاستخدام الشائعة (على سبيل المثال ، ملف تحسين دقة التنبؤ باستخدام حل التعلم الآلي). يفصل التنبؤ تلقائيًا مجموعة البيانات وينتج مقاييس دقة لتقييم المتنبئين. لمزيد من المعلومات، راجع تقييم دقة التوقع. يساعد هذا علماء البيانات على التكرار بشكل أسرع لتحقيق أفضل نموذج أداء.

التحسين المتقدم والتعامل مع حالات الزاوية

ذكرنا أن خوارزميات التنبؤ يمكن أن تتعلم الموسمية والاتجاهات والميزات الدورية من البيانات. بالنسبة للعناصر ذات هذه الخصائص ، وكثافة وحجم البيانات المناسبين ، يمكننا استخدام التنبؤ لإنشاء تقديرات. ومع ذلك ، عند مواجهة أنماط بيانات متكتلة ، خاصةً عندما يكون حجم البيانات صغيرًا ، فقد نحتاج إلى التعامل معها بشكل مختلف ، مثل التقدير التجريبي بناءً على مجموعة القواعد.

بالنسبة لوحدات SKU الكثيفة ، نقوم بتحسين دقة التنبؤ بشكل أكبر من خلال تدريب النماذج بمجموعات فرعية تتصرف بالمثل من مجموعة بيانات السلاسل الزمنية. استراتيجيات فصل المجموعات الفرعية التي استخدمناها هي منطق الأعمال ونوع المنتج وكثافة البيانات والأنماط التي تعلمناها بواسطة الخوارزمية. بعد إنشاء المجموعات الفرعية ، يمكننا تدريب نماذج تنبؤ متعددة لمجموعات فرعية مختلفة. على سبيل المثال ، الرجوع إلى بيانات السلاسل الزمنية العنقودية للاستخدام مع Amazon Forecast.

نحو الإنتاج: تحديث مجموعة البيانات والمراقبة وإعادة التدريب

دعنا نستكشف نموذجًا معماريًا باستخدام التنبؤ ، كما هو موضح في الرسم البياني التالي. في كل مرة يقوم المستخدم بدمج مجموعة بيانات جديدة في خدمة تخزين أمازون البسيطة (Amazon S3) ، يتم تشغيله وظائف خطوة AWS لتنسيق المكونات المختلفة ، بما في ذلك إنشاء مهمة استيراد مجموعة البيانات ، وإنشاء متنبئ تلقائي ، وإنشاء تنبؤات. بعد إنشاء نتائج التنبؤ ، تقوم خطوة إنشاء تصدير التوقعات بتصديرها إلى Amazon S3 للمستهلكين في المراحل النهائية. لمزيد من المعلومات حول كيفية توفير خط الأنابيب الآلي هذا ، يرجى الرجوع إلى التشغيل الآلي باستخدام AWS CloudFormation. يستخدم مكدس CloudFormation لنشر مجموعات البيانات تلقائيًا إلى حاوية S3 وتشغيل خط أنابيب التنبؤ. يمكنك استخدام نفس مكدس الأتمتة لإنشاء تنبؤات باستخدام مجموعات البيانات الخاصة بك.

هناك طريقتان لدمج الاتجاهات الحديثة في نظام التنبؤ: تحديث البيانات أو إعادة تدريب المتنبئ.

لإنشاء التنبؤ بالبيانات المحدثة التي تعكس الاتجاهات الحديثة ، تحتاج إلى تحميل ملف بيانات الإدخال المحدث إلى حاوية S3 (يجب أن تظل بيانات الإدخال المحدثة تحتوي على جميع بياناتك الحالية). لا تعيد التوقعات تدريب المتنبئ تلقائيًا عندما تقوم باستيراد مجموعة بيانات محدثة. تستطيع توليد التوقعات كما تفعل عادة. يتنبأ التنبؤ بأفق التنبؤ بدءًا من اليوم الأخير في بيانات الإدخال المحدثة. لذلك ، يتم دمج الاتجاهات الحديثة في أي استنتاجات جديدة تنتجها التوقعات.

ومع ذلك ، إذا كنت تريد أن يتم تدريب المتنبئ الخاص بك على البيانات الجديدة ، فيجب عليك إنشاء متنبئ جديد. قد تحتاج إلى التفكير في إعادة تدريب النموذج عندما تتغير أنماط البيانات (الموسمية أو الاتجاهات أو الدورات). كما هو مذكور في راقب دقة المتنبئ باستمرار باستخدام Amazon Forecast، سيتقلب أداء المتنبئ بمرور الوقت ، بسبب عوامل مثل التغيرات في البيئة الاقتصادية أو في سلوك المستهلك. لذلك ، قد يحتاج المتنبئ إلى إعادة تدريبه ، أو قد يلزم إنشاء متنبئ جديد لضمان استمرار عمل تنبؤات دقيقة للغاية. بمساعدة مراقبة التنبؤ، يمكن أن تتبع التوقعات جودة المتنبئين ، مما يسمح لك بتقليل الجهود التشغيلية ، مع مساعدتك في اتخاذ قرارات أكثر استنارة حول الاحتفاظ بالتنبؤات أو إعادة تدريبها أو إعادة بنائها.

وفي الختام

Amazon Forecast عبارة عن خدمة للتنبؤ بالسلسلة الزمنية تعتمد على التعلم الآلي ومصممة لتحليل مقاييس الأعمال. يمكننا دمج التنبؤ بالتنبؤ بالطلب بدقة عالية من خلال الجمع بين المبيعات التاريخية والمعلومات الأخرى ذات الصلة مثل المخزون أو العروض الترويجية أو الموسم. في غضون 8 أسابيع ، ساعدنا أحد عملاء التجزئة لدينا على تحقيق توقعات دقيقة للطلب - تحسن بنسبة 10٪ مقارنة بالتنبؤ اليدوي. يؤدي هذا إلى توفير مباشر قدره 16 ساعة عمل شهريًا وزيادة المبيعات المقدرة بنسبة تصل إلى 11.8٪.

شارك هذا المنشور ممارسات شائعة لتحويل مشروع التنبؤ الخاص بك من إثبات المفهوم إلى الإنتاج. ابدأ الآن مع توقعات الأمازون لتحقيق توقعات دقيقة للغاية لعملك.

---

حول المؤلف

يانوي كوي، دكتوراه ، مهندس حلول متخصص في التعلم الآلي في AWS. بدأ أبحاث التعلم الآلي في IRISA (معهد أبحاث علوم الكمبيوتر والأنظمة العشوائية) ، ولديه عدة سنوات من الخبرة في بناء تطبيقات صناعية مدعومة بالذكاء الاصطناعي في رؤية الكمبيوتر ومعالجة اللغة الطبيعية والتنبؤ بسلوك المستخدم عبر الإنترنت. في AWS ، يشارك خبرة المجال ويساعد العملاء على إطلاق العنان لإمكانات الأعمال ، وتحقيق نتائج قابلة للتنفيذ من خلال التعلم الآلي على نطاق واسع. خارج العمل ، يستمتع بالقراءة والسفر.

جوردون وانج هو عالم بيانات أقدم في فريق الخدمات الاحترافية في Amazon Web Services. يدعم العملاء في العديد من الصناعات ، بما في ذلك الإعلام والتصنيع والطاقة وتجارة التجزئة والرعاية الصحية. إنه شغوف برؤية الكمبيوتر والتعلم العميق و MLOps. في أوقات فراغه ، يحب الجري والمشي لمسافات طويلة.