খুচরা শিল্পে অ্যামাজন পূর্বাভাস বাস্তবায়ন করা: POC থেকে উৎপাদন পর্যন্ত একটি যাত্রা

আমাজন পূর্বাভাস একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা পরিসংখ্যানগত এবং মেশিন লার্নিং (ML) অ্যালগরিদম ব্যবহার করে অত্যন্ত সঠিক সময়-সিরিজের পূর্বাভাস প্রদান করে৷ সম্প্রতি, আমাজন পূর্বাভাসের উপর ভিত্তি করে, আমরা আমাদের একজন খুচরা গ্রাহককে 8 সপ্তাহের মধ্যে সঠিক চাহিদার পূর্বাভাস অর্জন করতে সাহায্য করেছি। সমাধানটি ম্যানুয়াল পূর্বাভাসকে গড়ে 10% দ্বারা উন্নত করেছে WAPE মেট্রিক এটি মাসে 16 শ্রমঘন্টার সরাসরি সঞ্চয়ের দিকে পরিচালিত করে। উপরন্তু, আমরা অনুমান করেছি যে আইটেমগুলির সঠিক সংখ্যা পূরণ করে, বিক্রয় 11.8% পর্যন্ত বৃদ্ধি পেতে পারে। এই পোস্টে, আমরা কার্যপ্রবাহ এবং বাস্তবায়নের জন্য গুরুত্বপূর্ণ উপাদানগুলি উপস্থাপন করি - ধারণার প্রমাণ (POC) থেকে উত্পাদন পর্যন্ত - অ্যামাজন পূর্বাভাসের সাথে একটি চাহিদা পূর্বাভাস সিস্টেম, খুচরা শিল্পে চ্যালেঞ্জগুলির উপর দৃষ্টি নিবদ্ধ করে৷

খুচরা শিল্পে চাহিদা পূর্বাভাসের পটভূমি এবং বর্তমান চ্যালেঞ্জ

চাহিদা পূর্বাভাসের লক্ষ্য হল ঐতিহাসিক তথ্য থেকে ভবিষ্যত চাহিদা অনুমান করা এবং সঞ্চয় পুনঃপূরণ এবং ক্ষমতা বরাদ্দে সহায়তা করা। চাহিদার পূর্বাভাস দিয়ে, খুচরা বিক্রেতারা চাহিদা মেটাতে তাদের নেটওয়ার্কের প্রতিটি অবস্থানে সঠিক পরিমাণ ইনভেন্টরি স্থাপন করতে সক্ষম হয়। অতএব, একটি সঠিক পূর্বাভাস সিস্টেম বিভিন্ন ব্যবসায়িক ফাংশন জুড়ে বিস্তৃত সুবিধা চালাতে পারে, যেমন:

• ভাল পণ্যের প্রাপ্যতা থেকে বিক্রয় বৃদ্ধি এবং আন্তঃ-স্টোর স্থানান্তর বর্জ্যের প্রচেষ্টা হ্রাস করা
• ক্ষমতার ব্যবহার উন্নত করার জন্য আরও নির্ভরযোগ্য অন্তর্দৃষ্টি প্রদান এবং সক্রিয়ভাবে সক্ষমতা বিধানে বাধাগুলি এড়াতে
• ইনভেন্টরি এবং উৎপাদন খরচ কমানো এবং ইনভেন্টরি টার্নওভার উন্নত করা
• একটি সামগ্রিক ভাল গ্রাহক অভিজ্ঞতা উপস্থাপন

ML কৌশলগুলি দুর্দান্ত মান প্রদর্শন করে যখন একটি বড় পরিমাণে ভাল মানের ডেটা উপস্থিত থাকে। আজ, অভিজ্ঞতা-ভিত্তিক পুনরায় পূরণ ব্যবস্থাপনা বা চাহিদা পূর্বাভাস এখনও অধিকাংশ খুচরা বিক্রেতাদের জন্য মূলধারা। গ্রাহকের অভিজ্ঞতা উন্নত করার লক্ষ্যে, আরও বেশি খুচরা বিক্রেতারা অভিজ্ঞতা-ভিত্তিক চাহিদা পূর্বাভাস সিস্টেমগুলিকে এমএল-ভিত্তিক পূর্বাভাস দিয়ে প্রতিস্থাপন করতে ইচ্ছুক। যাইহোক, উৎপাদনে এমএল-ভিত্তিক চাহিদা পূর্বাভাস সিস্টেম বাস্তবায়ন করার সময় খুচরা বিক্রেতারা একাধিক চ্যালেঞ্জের সম্মুখীন হয়। আমরা বিভিন্ন চ্যালেঞ্জগুলিকে তিনটি বিভাগে সংক্ষিপ্ত করি: ডেটা চ্যালেঞ্জ, এমএল চ্যালেঞ্জ এবং অপারেশনাল চ্যালেঞ্জ।

ডেটা চ্যালেঞ্জ

নির্ভুল ML-ভিত্তিক ভবিষ্যদ্বাণী চালানোর জন্য প্রচুর পরিমাণে পরিষ্কার, গুণমান ডেটা একটি মূল প্রয়োজন। ঐতিহাসিক বিক্রয় এবং বিক্রয়-সম্পর্কিত ডেটা (যেমন ইনভেন্টরি, আইটেম মূল্য নির্ধারণ এবং প্রচার) সহ গুণমানের ডেটা সংগ্রহ এবং একত্রিত করা প্রয়োজন। একাধিক সংস্থান থেকে ডেটার বৈচিত্র্যের জন্য ডেটা সাইলোকে একত্রিত করার জন্য একটি আধুনিক ডেটা প্ল্যাটফর্মের প্রয়োজন। উপরন্তু, ঘন ঘন এবং সূক্ষ্ম দানাদার চাহিদা পূর্বাভাসের জন্য একটি সময়মত ডেটা অ্যাক্সেস করা প্রয়োজন।

এমএল চ্যালেঞ্জ

উন্নত এমএল অ্যালগরিদম তৈরি করতে দক্ষতার প্রয়োজন। সঠিক সমস্যার জন্য সঠিক অ্যালগরিদম বাস্তবায়নের জন্য গভীর ডোমেন জ্ঞান এবং এমএল দক্ষতা উভয়ই প্রয়োজন। উপরন্তু, বড় উপলভ্য ডেটাসেট থেকে শেখার জন্য একটি মাপযোগ্য এমএল পরিকাঠামো প্রয়োজন। তদুপরি, উত্পাদনে এমএল অ্যালগরিদম বজায় রাখার জন্য মডেলের অবনতির মূল কারণ বিশ্লেষণ করতে এবং মডেলটিকে সঠিকভাবে পুনরায় প্রশিক্ষণ দেওয়ার জন্য এমএল দক্ষতার প্রয়োজন।

ব্যবহারিক ব্যবসায়িক সমস্যা সমাধানের জন্য, সঠিক পূর্বাভাস তৈরি করা গল্পের অংশ মাত্র। সিদ্ধান্ত গ্রহণকারীদের বিভিন্ন কোয়ান্টাইলে সম্ভাব্য পূর্বাভাস প্রয়োজন গুরুত্বপূর্ণ গ্রাহক অভিজ্ঞতা বনাম আর্থিক ফলাফল ট্রেড-অফ সিদ্ধান্ত। তাদের স্টেকহোল্ডারদের কাছে ভবিষ্যদ্বাণী ব্যাখ্যা করতে হবে, এবং বিভিন্ন পরিস্থিতি কীভাবে পূর্বাভাসের ফলাফলগুলিকে প্রভাবিত করতে পারে তা তদন্ত করতে কী-যদি বিশ্লেষণ করে তা সম্পাদন করতে হবে।

অপারেশনাল চ্যালেঞ্জ

একটি ব্যয়-কার্যকর পূর্বাভাস ব্যবস্থা বজায় রাখার অপারেশনাল প্রচেষ্টা হ্রাস করা তৃতীয় প্রধান চ্যালেঞ্জ। চাহিদা পূর্বাভাসের একটি সাধারণ পরিস্থিতিতে, প্রতিটি অবস্থানের প্রতিটি আইটেমের নিজস্ব পূর্বাভাস রয়েছে। যে কোনো সময় শত সহস্র পূর্বাভাস পরিচালনা করতে পারে এমন একটি সিস্টেম প্রয়োজন। উপরন্তু, ব্যবসার শেষ-ব্যবহারকারীদের পূর্বাভাস সিস্টেমকে বিদ্যমান ডাউনস্ট্রিম সিস্টেমে একত্রিত করতে হবে, যেমন বিদ্যমান সাপ্লাই চেইন ম্যানেজমেন্ট প্ল্যাটফর্ম, যাতে তারা বিদ্যমান সরঞ্জাম এবং প্রক্রিয়াগুলি পরিবর্তন না করেই এমএল-ভিত্তিক সিস্টেম ব্যবহার করতে পারে।

এই চ্যালেঞ্জগুলি বিশেষত তীব্র হয় যখন ব্যবসা বড়, গতিশীল এবং ক্রমবর্ধমান হয়। এই চ্যালেঞ্জগুলি মোকাবেলা করার জন্য, আমরা একটি গ্রাহকের সাফল্যের গল্প শেয়ার করি যা সম্ভাব্য ব্যবসায়িক লাভকে দ্রুত যাচাই করার প্রচেষ্টাকে হ্রাস করে। এটি Amazon Forecast-এর সাথে প্রোটোটাইপিংয়ের মাধ্যমে অর্জন করা হয় - একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা অন্তর্নিহিত অবকাঠামো সংস্থান এবং অ্যালগরিদমগুলি পরিচালনা করার প্রয়োজন ছাড়াই সঠিক পূর্বাভাস ফলাফল প্রদান করে৷

অ্যামাজন পূর্বাভাসের সাথে একটি ML-ভিত্তিক পূর্বাভাস সিস্টেমের জন্য দ্রুত প্রোটোটাইপিং

আমাদের অভিজ্ঞতার উপর ভিত্তি করে, আমরা প্রায়ই দেখি যে খুচরা গ্রাহকরা তাদের বিক্রয় ডেটার উপর ধারণার একটি প্রমাণ শুরু করতে ইচ্ছুক। মডেল টিউনিং প্রক্রিয়ার মাধ্যমে পুনরাবৃত্তি করার জন্য ডেটা জটিলতা এবং উপলব্ধ সংস্থানগুলির উপর নির্ভর করে দ্রুত প্রোটোটাইপিংয়ের জন্য এটি কয়েক দিন থেকে কয়েক সপ্তাহের মধ্যে করা যেতে পারে। প্রোটোটাইপিংয়ের সময়, আমরা প্রক্রিয়াটিকে কার্যকরভাবে পরিচালনা করার জন্য স্প্রিন্ট ব্যবহার করার পরামর্শ দিই, এবং POC-কে ডেটা অন্বেষণ, পুনরাবৃত্তিমূলক উন্নতি এবং অটোমেশন পর্যায়গুলিতে আলাদা করে।

ডেটা অন্বেষণ

ডেটা অন্বেষণে প্রায়শই ডেটা বিজ্ঞানী বা ব্যবসায়িক বুদ্ধিমত্তা বিশ্লেষকদের সাথে তীব্র আলোচনা জড়িত থাকে যাতে ঐতিহাসিক বিক্রয় ডেটাসেট এবং উপলব্ধ ডেটা উত্সগুলির সাথে পরিচিত হতে পারে যা সম্ভাব্যভাবে পূর্বাভাসের ফলাফলগুলিকে প্রভাবিত করতে পারে, যেমন জায় এবং ঐতিহাসিক প্রচারমূলক ইভেন্টগুলি। সবচেয়ে কার্যকরী উপায়গুলির মধ্যে একটি হল প্রকল্পের প্রাথমিক পর্যায়ে ডেটা গুদাম থেকে লক্ষ্য ডেটাসেট হিসাবে বিক্রয় ডেটা একত্রিত করা। এটি এই সত্যের উপর ভিত্তি করে যে পূর্বাভাসের ফলাফলগুলি প্রায়শই লক্ষ্য ডেটাসেট প্যাটার্ন দ্বারা প্রভাবিত হয়৷ ডেটা গুদামগুলি প্রায়শই প্রতিদিনের ব্যবসার ডেটা সঞ্চয় করে এবং অল্প সময়ের মধ্যে একটি সম্পূর্ণ বোঝা কঠিন এবং সময়সাপেক্ষ। আমাদের পরামর্শ হল টার্গেট ডেটাসেট তৈরি করার দিকে মনোনিবেশ করা এবং নিশ্চিত করা যে এই ডেটাসেটটি সঠিক। এই ডেটা অন্বেষণ এবং বেসলাইন ফলাফলগুলি প্রায়শই কয়েক দিনের মধ্যে অর্জন করা যেতে পারে, এবং এটি নির্ধারণ করতে পারে যে লক্ষ্য ডেটা সঠিকভাবে পূর্বাভাস করা যেতে পারে কিনা। আমরা এই পোস্টে পরে ডেটা পূর্বাভাসযোগ্যতা নিয়ে আলোচনা করব।

পুনরাবৃত্তির

বেসলাইন ফলাফল পাওয়ার পর, আমরা কীভাবে সঠিকতাকে প্রভাবিত করতে পারে তা দেখতে আমরা আরও সম্পর্কিত ডেটা যোগ করা চালিয়ে যেতে পারি। এটি প্রায়ই অতিরিক্ত ডেটাসেটের গভীরে ডুব দিয়ে করা হয়; আরও তথ্যের জন্য, পড়ুন সম্পর্কিত সময় সিরিজ ডেটাসেট ব্যবহার করে এবং আইটেম মেটাডেটা ডেটাসেট ব্যবহার করে.

কিছু ক্ষেত্রে, ডেটাসেটের অনুরূপ আচরণকারী উপসেটগুলির সাথে মডেলগুলিকে প্রশিক্ষণ দিয়ে বা ডেটাসেট থেকে স্পার্স ডেটা সরিয়ে দিয়ে অ্যামাজন পূর্বাভাসে নির্ভুলতা উন্নত করা সম্ভব হতে পারে। এই পুনরাবৃত্তিমূলক উন্নতির পর্যায়ে, চ্যালেঞ্জিং অংশটি-সমস্ত ML প্রকল্পের জন্য সত্য- হল যে বর্তমান পুনরাবৃত্তি পূর্ববর্তী পুনরাবৃত্তির মূল অনুসন্ধান এবং অন্তর্দৃষ্টিগুলির উপর নির্ভর করে, তাই কঠোর বিশ্লেষণ এবং রিপোর্টিং সাফল্যের চাবিকাঠি।

বিশ্লেষণ পরিমাণগত এবং অভিজ্ঞতাগতভাবে করা যেতে পারে। পরিমাণগত দিকটি ব্যাকটেস্টিং এবং নির্ভুলতা মেট্রিক তুলনা করার সময় মূল্যায়নকে বোঝায়, যেমন WAPE. অভিজ্ঞতামূলক দিকটি ভবিষ্যদ্বাণীর বক্ররেখা এবং প্রকৃত লক্ষ্য ডেটাকে কল্পনা করা এবং সম্ভাব্য কারণগুলিকে অন্তর্ভুক্ত করতে ডোমেন জ্ঞান ব্যবহার করাকে বোঝায়। এই বিশ্লেষণগুলি আপনাকে পূর্বাভাসিত ফলাফল এবং লক্ষ্য ডেটার মধ্যে ব্যবধান পূরণ করতে দ্রুত পুনরাবৃত্তি করতে সহায়তা করে। উপরন্তু, একটি সাপ্তাহিক প্রতিবেদনের মাধ্যমে এই ধরনের ফলাফল উপস্থাপন করা প্রায়ই ব্যবসার শেষ ব্যবহারকারীদের আস্থা প্রদান করতে পারে।

স্বয়ংক্রিয়তা

চূড়ান্ত ধাপে প্রায়ই POC থেকে উৎপাদন পদ্ধতি এবং অটোমেশনের আলোচনা জড়িত থাকে। যেহেতু ML প্রকল্পটি মোট প্রকল্পের সময়কাল দ্বারা সীমাবদ্ধ, তাই আমাদের কাছে প্রতিটি সম্ভাবনা অন্বেষণ করার জন্য পর্যাপ্ত সময় নাও থাকতে পারে। অতএব, প্রকল্প চলাকালীন ফলাফলগুলি জুড়ে সম্ভাব্য এলাকা নির্দেশ করা প্রায়ই বিশ্বাস অর্জন করতে পারে। উপরন্তু, অটোমেশন ব্যবসার শেষ ব্যবহারকারীদের দীর্ঘ সময়ের জন্য পূর্বাভাস মূল্যায়ন করতে সাহায্য করতে পারে, কারণ তারা আপডেট করা ডেটার সাথে পূর্বাভাস তৈরি করতে একটি বিদ্যমান ভবিষ্যদ্বাণী ব্যবহার করতে পারে।

সাফল্যের মানদণ্ড প্রযুক্তিগত এবং ব্যবসায়িক উভয় দৃষ্টিকোণ থেকে উৎপন্ন ফলাফলের সাথে মূল্যায়ন করা যেতে পারে। মূল্যায়নের সময়কালে, আমরা নিম্নলিখিতগুলির জন্য সম্ভাব্য সুবিধাগুলি অনুমান করতে পারি:

• পূর্বাভাসের নির্ভুলতা বৃদ্ধি করা (প্রযুক্তিগত) - প্রকৃত বিক্রয় ডেটার সাথে ভবিষ্যদ্বাণীর নির্ভুলতা গণনা করুন এবং ম্যানুয়াল পূর্বাভাস সহ বিদ্যমান পূর্বাভাস সিস্টেমের সাথে তুলনা করুন
• বর্জ্য হ্রাস (ব্যবসা) - বর্জ্য হ্রাস করার জন্য অতিরিক্ত পূর্বাভাস হ্রাস করুন
• ইন-স্টক রেট উন্নত করা (ব্যবসা) - স্টক হার উন্নত করার জন্য কম পূর্বাভাস হ্রাস করুন
• মোট মুনাফা বৃদ্ধির অনুমান (ব্যবসা) - স্থূল মুনাফা বাড়ানোর জন্য অপচয় হ্রাস করুন এবং ইন-স্টক রেট উন্নত করুন

আমরা নিম্নলিখিত চিত্রে উন্নয়ন কর্মপ্রবাহের সংক্ষিপ্ত বিবরণ দিই।

নিম্নলিখিত বিভাগে, আমরা বাস্তবায়নের সময় বিবেচনায় নেওয়া গুরুত্বপূর্ণ উপাদানগুলি নিয়ে আলোচনা করি৷

একটি পূর্বাভাস সিস্টেম বিকাশের জন্য ধাপে ধাপে কর্মপ্রবাহ

টার্গেট ডেটাসেট জেনারেশন

প্রথম ধাপ হল পূর্বাভাসের জন্য লক্ষ্য ডেটাসেট তৈরি করা। খুচরা শিল্পে, এটি ঐতিহাসিক টাইম সিরিজের চাহিদা এবং খুচরা আইটেমগুলির (SKUs) বিক্রয় ডেটা বোঝায়। ডেটাসেট প্রস্তুত করার সময়, একটি গুরুত্বপূর্ণ দিক হল গ্রানুলারিটি। ব্যবসায়ের প্রয়োজনীয়তা এবং প্রযুক্তিগত প্রয়োজনীয়তা উভয় থেকেই আমাদের ডেটা গ্রানুলারিটি বিবেচনা করা উচিত।

ব্যবসা সংজ্ঞায়িত করে কিভাবে পূর্বাভাস উৎপাদন ব্যবস্থায় ফলাফল দেয়:

• দিগন্ত - পূর্বাভাস করা হচ্ছে সময়ের পদক্ষেপের সংখ্যা। এটি অন্তর্নিহিত ব্যবসায়িক সমস্যার উপর নির্ভর করে। আমরা যদি প্রতি সপ্তাহে স্টক লেভেল রিফিল করতে চাই, তাহলে একটি সাপ্তাহিক পূর্বাভাস বা দৈনিক পূর্বাভাস উপযুক্ত বলে মনে হয়।
• গ্রানুলারিটি - আপনার পূর্বাভাসের গ্রানুলারিটি: সময়ের ফ্রিকোয়েন্সি যেমন দৈনিক বা সাপ্তাহিক, বিভিন্ন স্টোরের অবস্থান এবং একই আইটেমের বিভিন্ন আকার। শেষ পর্যন্ত, ভবিষ্যদ্বাণীটি প্রতিদিনের ডেটা পয়েন্ট সহ প্রতিটি স্টোর SKU এর সংমিশ্রণ হতে পারে।

যদিও পূর্বোক্ত পূর্বাভাস দিগন্ত এবং গ্রানুলারিটি ব্যবসার প্রয়োজনীয়তাকে অগ্রাধিকার দেওয়ার জন্য সংজ্ঞায়িত করা উচিত, আমাদের প্রয়োজনীয়তা এবং সম্ভাব্যতার মধ্যে ট্রেড-অফ করতে হতে পারে। একটি উদাহরণ হিসাবে পাদুকা ব্যবসা নিন। আমরা যদি প্রতিটি দোকানের স্তরে প্রতিটি জুতার আকারের বিক্রয়ের ভবিষ্যদ্বাণী করতে চাই, তবে ডেটা শীঘ্রই বিরল হয়ে যায় এবং প্যাটার্নটি খুঁজে পাওয়া কঠিন। যাইহোক, স্টক রিফিল করার জন্য, আমাদের এই গ্রানুলারিটি অনুমান করতে হবে। এটি করার জন্য, বিকল্প সমাধানগুলির জন্য বিভিন্ন জুতার আকারের মধ্যে একটি অনুপাত অনুমান করা এবং সূক্ষ্ম ফলাফল গণনা করতে এই অনুপাত ব্যবহার করার প্রয়োজন হতে পারে।

আমাদের প্রায়শই ব্যবসায়ের প্রয়োজনীয়তা এবং ডেটা প্যাটার্নের মধ্যে ভারসাম্য বজায় রাখতে হবে যা পূর্বাভাসের জন্য শেখা এবং ব্যবহার করা যেতে পারে। ডেটা প্যাটার্নগুলির একটি পরিমাণগত যোগ্যতা প্রদান করতে, আমরা ডেটা পূর্বাভাসযোগ্যতা ব্যবহার করার প্রস্তাব দিই।

ডেটা পূর্বাভাসযোগ্যতা এবং ডেটা প্যাটার্ন শ্রেণীবিভাগ

টার্গেট ডেটাসেট থেকে আমরা যে মূল অন্তর্দৃষ্টি সংগ্রহ করতে পারি তার মধ্যে একটি হল গুণমানের পূর্বাভাস তৈরি করার ক্ষমতা। এটি এমএল প্রকল্পের খুব প্রাথমিক পর্যায়ে বিশ্লেষণ করা যেতে পারে। পূর্বাভাস উজ্জ্বল হয় যখন ডেটা ঋতু, প্রবণতা এবং চক্রীয় প্যাটার্ন দেখায়।

পূর্বাভাসযোগ্যতা নির্ধারণের জন্য, দুটি প্রধান সহগ রয়েছে: চাহিদার সময়ের পরিবর্তনশীলতা এবং চাহিদা পরিমাণে পরিবর্তনশীলতা। চাহিদার সময়ের পরিবর্তনশীলতা মানে চাহিদার দুটি উদাহরণের মধ্যে ব্যবধান, এবং এটি সময়ের মধ্যে চাহিদার নিয়মিততা পরিমাপ করে। চাহিদার পরিমাণের পরিবর্তনশীলতা মানে পরিমাণে তারতম্য। নিম্নলিখিত চিত্রটি কিছু ভিন্ন নিদর্শন চিত্রিত করে। পূর্বাভাসের নির্ভুলতা দৃঢ়ভাবে পণ্যের পূর্বাভাসের উপর নির্ভর করে। আরো তথ্যের জন্য, পড়ুন চাহিদা শ্রেণীবিভাগ: কেন পূর্বাভাসযোগ্যতা গুরুত্বপূর্ণ.

এটি লক্ষণীয় যে এই পূর্বাভাস বিশ্লেষণ প্রতিটি সূক্ষ্ম-দানাযুক্ত আইটেমের জন্য (উদাহরণস্বরূপ, SKU-স্টোর-রঙ-আকার)। এটি বেশ সাধারণ যে একটি চাহিদা পূর্বাভাস উৎপাদন ব্যবস্থায়, বিভিন্ন আইটেম বিভিন্ন নিদর্শন অনুসরণ করে। অতএব, বিভিন্ন ডেটা প্যাটার্ন অনুসরণ করে আইটেমগুলিকে আলাদা করা গুরুত্বপূর্ণ। একটি সাধারণ উদাহরণ হল দ্রুত-চলমান এবং ধীর-চলমান আইটেম; আরেকটি উদাহরণ হবে ঘন এবং বিক্ষিপ্ত তথ্য। উপরন্তু, একটি সূক্ষ্ম দানাদার আইটেম একটি lumpy প্যাটার্ন ফলন সম্ভাবনা বেশি আছে. উদাহরণস্বরূপ, একটি পোশাকের দোকানে, একটি জনপ্রিয় আইটেমের বিক্রয় প্রতিদিন বেশ মসৃণ হতে পারে, তবে আমরা যদি প্রতিটি রঙ এবং আকারের জন্য আইটেমটির বিক্রয়কে আরও আলাদা করি তবে এটি শীঘ্রই বিক্ষিপ্ত হয়ে যায়। তাই, SKU-Store-Color-Size থেকে SKU-Store-এ গ্রানুলারিটি কমিয়ে ডাটা প্যাটার্নকে লম্পি থেকে মসৃণ এবং এর বিপরীতে পরিবর্তন করতে পারে।

অধিকন্তু, সমস্ত আইটেম সমানভাবে বিক্রয়ে অবদান রাখে না। আমরা লক্ষ্য করেছি যে আইটেম অবদান প্রায়শই প্যারেটো বিতরণকে অনুসরণ করে, যেখানে শীর্ষ আইটেমগুলি বেশিরভাগ বিক্রয় অবদান রাখে। এই শীর্ষ আইটেম বিক্রি প্রায়ই মসৃণ হয়. কম বিক্রয় রেকর্ড সহ আইটেমগুলি প্রায়শই গলিত এবং অনিয়মিত হয় এবং তাই অনুমান করা কঠিন। এই আইটেমগুলি যোগ করা আসলে শীর্ষ বিক্রয় আইটেমগুলির যথার্থতা হ্রাস করতে পারে। এই পর্যবেক্ষণগুলির উপর ভিত্তি করে, আমরা আইটেমগুলিকে বিভিন্ন গ্রুপে বিভক্ত করতে পারি, শীর্ষ বিক্রয় আইটেমগুলিতে পূর্বাভাস মডেলকে প্রশিক্ষণ দিতে পারি এবং নিম্ন বিক্রয় আইটেমগুলিকে কর্নার কেস হিসাবে পরিচালনা করতে পারি।

ডেটা সমৃদ্ধকরণ এবং অতিরিক্ত ডেটাসেট নির্বাচন

আমরা যখন পূর্বাভাস ফলাফলের কর্মক্ষমতা উন্নত করতে অতিরিক্ত ডেটাসেট ব্যবহার করতে চাই, তখন আমরা নির্ভর করতে পারি সময় সিরিজ ডেটাসেট এবং মেটাডেটা ডেটাসেট. খুচরা ডোমেনে, অন্তর্দৃষ্টি এবং ডোমেন জ্ঞানের উপর ভিত্তি করে, বৈশিষ্ট্য যেমন জায়, মূল্য, প্রচার, এবং শীত বা গ্রীষ্মের ঋতু সম্পর্কিত সময় সিরিজ হিসাবে আমদানি করা যেতে পারে। বৈশিষ্ট্যগুলির উপযোগিতা সনাক্ত করার সহজ উপায় হল বৈশিষ্ট্যের গুরুত্বের মাধ্যমে। পূর্বাভাসে, এটি ব্যাখ্যাযোগ্যতা বিশ্লেষণের মাধ্যমে করা হয়। পূর্বাভাস ভবিষ্যদ্বাণীকারী ব্যাখ্যাযোগ্যতা ডেটাসেটের বৈশিষ্ট্যগুলি লক্ষ্যের পূর্বাভাসকে কীভাবে প্রভাবিত করে তা আমাদের আরও ভালভাবে বুঝতে সাহায্য করে। পূর্বাভাস প্রতিটি বৈশিষ্ট্যের আপেক্ষিক প্রভাব পরিমাপ করতে এবং তারা পূর্বাভাসের মান বাড়ায় বা হ্রাস করে তা নির্ধারণ করতে প্রভাব স্কোর নামে একটি মেট্রিক ব্যবহার করে। যদি এক বা একাধিক অ্যাট্রিবিউটের ইমপ্যাক্ট স্কোর শূন্য থাকে, তাহলে এই অ্যাট্রিবিউটগুলির পূর্বাভাসের মানগুলিতে কোনও উল্লেখযোগ্য প্রভাব নেই। এইভাবে, আমরা কম প্রভাব ফেলে এমন বৈশিষ্ট্যগুলিকে দ্রুত সরিয়ে ফেলতে পারি এবং সম্ভাব্যগুলিকে পুনরাবৃত্তিমূলকভাবে যুক্ত করতে পারি। এটি লক্ষ্য করা গুরুত্বপূর্ণ যে প্রভাব স্কোরগুলি বৈশিষ্ট্যগুলির আপেক্ষিক প্রভাব পরিমাপ করে, যা অন্যান্য সমস্ত বৈশিষ্ট্যের প্রভাব স্কোরের সাথে একত্রে স্বাভাবিক করা হয়।

সমস্ত ML প্রকল্পের মত, অতিরিক্ত বৈশিষ্ট্য সহ নির্ভুলতা উন্নত করার জন্য পুনরাবৃত্তিমূলক পরীক্ষার প্রয়োজন। মডেল নির্ভুলতার উপর ক্রমবর্ধমান পরিবর্তনের প্রভাব পর্যবেক্ষণ করার সময় আপনাকে ডেটাসেটের একাধিক সংমিশ্রণ নিয়ে পরীক্ষা করতে হবে। আপনি পূর্বাভাস কনসোলের মাধ্যমে বা এর সাথে একাধিক পূর্বাভাস পরীক্ষা চালানোর চেষ্টা করতে পারেন ফোরকাস্ট এপিআই সহ পাইথন নোটবুক. উপরন্তু, আপনি সঙ্গে অনবোর্ড করতে পারেন এডাব্লুএস ক্লাউডফর্মেশন, যা AWS মোতায়েন করে সাধারণ ব্যবহারের ক্ষেত্রে প্রস্তুত-তৈরি সমাধান সরবরাহ করে (উদাহরণস্বরূপ, মেশিন লার্নিং সমাধানের সাথে পূর্বাভাসের সঠিকতা উন্নত করা) পূর্বাভাস স্বয়ংক্রিয়ভাবে ডেটাসেটকে আলাদা করে এবং ভবিষ্যদ্বাণীকারীদের মূল্যায়ন করার জন্য নির্ভুলতা মেট্রিক্স তৈরি করে। আরও তথ্যের জন্য, দেখুন ভবিষ্যদ্বাণী নির্ভুলতা মূল্যায়ন. এটি সেরা পারফরম্যান্স মডেল অর্জন করতে ডেটা বিজ্ঞানীদের দ্রুত পুনরাবৃত্তি করতে সহায়তা করে।

উন্নত উন্নতি এবং কর্নার কেস পরিচালনা

আমরা উল্লেখ করেছি যে পূর্বাভাস অ্যালগরিদমগুলি ডেটা থেকে ঋতু, প্রবণতা এবং চক্রীয় বৈশিষ্ট্যগুলি শিখতে পারে। এই বৈশিষ্ট্যগুলি এবং উপযুক্ত ডেটা ঘনত্ব এবং ভলিউম সহ আইটেমগুলির জন্য, আমরা অনুমান তৈরি করতে পূর্বাভাস ব্যবহার করতে পারি। যাইহোক, যখন লম্পি ডেটা প্যাটার্নের সম্মুখীন হয়, বিশেষ করে যখন ডেটার পরিমাণ ছোট হয়, তখন আমাদের সেগুলিকে ভিন্নভাবে পরিচালনা করতে হতে পারে, যেমন একটি নিয়ম সেটের উপর ভিত্তি করে অভিজ্ঞতামূলক অনুমান সহ।

ঘন SKU-এর জন্য, আমরা টাইম সিরিজ ডেটাসেটের অনুরূপ আচরণকারী উপসেটগুলির সাথে মডেলগুলিকে প্রশিক্ষণ দিয়ে পূর্বাভাসের নির্ভুলতা আরও উন্নত করি। আমরা যে উপসেট বিভাজন কৌশলগুলি ব্যবহার করেছি তা হল ব্যবসায়িক যুক্তি, পণ্যের ধরন, ডেটার ঘনত্ব এবং অ্যালগরিদম দ্বারা শেখা নিদর্শন৷ উপসেটগুলি তৈরি হওয়ার পরে, আমরা বিভিন্ন উপসেটের জন্য একাধিক পূর্বাভাস মডেলকে প্রশিক্ষণ দিতে পারি। যেমন একটি উদাহরণের জন্য, পড়ুন অ্যামাজন পূর্বাভাসের সাথে ব্যবহারের জন্য ক্লাস্টার টাইম সিরিজ ডেটা.

উত্পাদনের দিকে: ডেটাসেট আপডেট করা, পর্যবেক্ষণ করা এবং পুনরায় প্রশিক্ষণ দেওয়া

আসুন পূর্বাভাস সহ একটি উদাহরণ স্থাপত্য অন্বেষণ করি, যেমনটি নিম্নলিখিত চিত্রটিতে দেখানো হয়েছে। প্রতিবার একজন শেষ-ব্যবহারকারী একটি নতুন ডেটাসেট একত্রিত করে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3), এটি ট্রিগার করে এডাব্লুএস স্টেপ ফাংশন ডেটাসেট ইম্পোর্ট কাজ তৈরি করা, একটি স্বয়ংক্রিয় ভবিষ্যদ্বাণী তৈরি করা এবং পূর্বাভাস তৈরি করা সহ বিভিন্ন উপাদান অর্কেস্ট্রেট করা। পূর্বাভাসের ফলাফল তৈরি হওয়ার পরে, পূর্বাভাস রপ্তানি তৈরি করুন পদক্ষেপটি ডাউনস্ট্রিম গ্রাহকদের জন্য তাদের Amazon S3 এ রপ্তানি করে। এই স্বয়ংক্রিয় পাইপলাইনের ব্যবস্থা কীভাবে করা যায় সে সম্পর্কে আরও তথ্যের জন্য, পড়ুন AWS ক্লাউডফর্মেশনের সাথে স্বয়ংক্রিয়করণ. এটি একটি S3 বালতিতে স্বয়ংক্রিয়ভাবে ডেটাসেট স্থাপন করতে এবং একটি পূর্বাভাস পাইপলাইন ট্রিগার করতে একটি CloudFormation স্ট্যাক ব্যবহার করে। আপনি আপনার নিজস্ব ডেটাসেটগুলির সাথে পূর্বাভাস তৈরি করতে একই অটোমেশন স্ট্যাক ব্যবহার করতে পারেন।

পূর্বাভাস ব্যবস্থায় সাম্প্রতিক প্রবণতাগুলিকে অন্তর্ভুক্ত করার দুটি উপায় রয়েছে: ডেটা আপডেট করা বা ভবিষ্যদ্বাণীকারীকে পুনরায় প্রশিক্ষণ দেওয়া।

সাম্প্রতিক প্রবণতাগুলিকে প্রতিফলিত করে আপডেট করা ডেটা সহ পূর্বাভাস তৈরি করতে, আপনাকে একটি S3 বাকেটের আপডেট করা ইনপুট ডেটা ফাইল আপলোড করতে হবে (আপডেট করা ইনপুট ডেটাতে এখনও আপনার বিদ্যমান সমস্ত ডেটা থাকা উচিত)৷ আপনি যখন একটি আপডেট ডেটাসেট আমদানি করেন তখন পূর্বাভাস স্বয়ংক্রিয়ভাবে একটি ভবিষ্যদ্বাণীকারীকে পুনরায় প্রশিক্ষণ দেয় না। আপনি পারেন পূর্বাভাস তৈরি করা যেমন আপনি সাধারণত করেন। পূর্বাভাস আপডেট করা ইনপুট ডেটাতে শেষ দিন থেকে শুরু হওয়া পূর্বাভাস দিগন্তের পূর্বাভাস দেয়। অতএব, সাম্প্রতিক প্রবণতাগুলি পূর্বাভাস দ্বারা উত্পাদিত যেকোন নতুন অনুমানগুলিতে অন্তর্ভুক্ত করা হয়েছে।

যাইহোক, আপনি যদি আপনার ভবিষ্যদ্বাণীকারীকে নতুন ডেটা থেকে প্রশিক্ষিত করতে চান, তাহলে আপনাকে অবশ্যই একটি নতুন ভবিষ্যদ্বাণী তৈরি করতে হবে। ডেটা প্যাটার্ন (ঋতু, প্রবণতা, বা চক্র) পরিবর্তিত হলে আপনাকে মডেলটিকে পুনরায় প্রশিক্ষণ দেওয়ার কথা বিবেচনা করতে হতে পারে। যেমন উল্লেখ করা হয়েছে আমাজন পূর্বাভাসের সাথে অবিচ্ছিন্নভাবে ভবিষ্যদ্বাণীর নির্ভুলতা নিরীক্ষণ করুন, একটি ভবিষ্যদ্বাণীকারীর কর্মক্ষমতা সময়ের সাথে ওঠানামা করবে, যেমন অর্থনৈতিক পরিবেশে বা ভোক্তা আচরণে পরিবর্তনের মতো কারণগুলির কারণে। অতএব, ভবিষ্যদ্বাণীকারীকে পুনরায় প্রশিক্ষণের প্রয়োজন হতে পারে, অথবা অত্যন্ত সঠিক ভবিষ্যদ্বাণী করা অবিরত নিশ্চিত করার জন্য একটি নতুন ভবিষ্যদ্বাণী তৈরি করতে হতে পারে। সাহায্যে ভবিষ্যদ্বাণীকারী পর্যবেক্ষণ, পূর্বাভাস আপনার ভবিষ্যদ্বাণীকারীর গুণমান ট্র্যাক করতে পারে, আপনাকে অপারেশনাল প্রচেষ্টা কমাতে সাহায্য করে, যখন আপনাকে আপনার ভবিষ্যদ্বাণীকারীদের রাখা, পুনঃপ্রশিক্ষণ বা পুনর্নির্মাণ সম্পর্কে আরও সচেতন সিদ্ধান্ত নিতে সহায়তা করে।

উপসংহার

Amazon Forecast হল ML-এর উপর ভিত্তি করে একটি টাইম সিরিজ পূর্বাভাস পরিষেবা এবং ব্যবসায়িক মেট্রিক্স বিশ্লেষণের জন্য তৈরি৷ আমরা ঐতিহাসিক বিক্রয় এবং অন্যান্য প্রাসঙ্গিক তথ্য যেমন ইনভেন্টরি, প্রচার, বা ঋতু একত্রিত করে উচ্চ নির্ভুলতার সাথে চাহিদা পূর্বাভাস পূর্বাভাসকে সংহত করতে পারি। 8 সপ্তাহের মধ্যে, আমরা আমাদের একজন খুচরা গ্রাহককে সঠিক চাহিদার পূর্বাভাস অর্জন করতে সাহায্য করেছি—ম্যানুয়াল পূর্বাভাসের তুলনায় 10% উন্নতি। এর ফলে মাসিক 16 শ্রমঘন্টার সরাসরি সঞ্চয় হয় এবং আনুমানিক বিক্রয় 11.8% পর্যন্ত বৃদ্ধি পায়।

এই পোস্টটি আপনার পূর্বাভাস প্রকল্পকে ধারণার প্রমাণ থেকে উৎপাদনে আনার জন্য সাধারণ অনুশীলনগুলি ভাগ করেছে৷ সঙ্গে এখন শুরু করুন আমাজন পূর্বাভাস আপনার ব্যবসার জন্য অত্যন্ত সঠিক পূর্বাভাস অর্জন করতে।

---

লেখক সম্পর্কে

ইয়ানওয়েই কুই, পিএইচডি, AWS-এর একজন মেশিন লার্নিং স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তিনি IRISA (কম্পিউটার সায়েন্স অ্যান্ড র্যান্ডম সিস্টেমের গবেষণা ইনস্টিটিউট) এ মেশিন লার্নিং গবেষণা শুরু করেন এবং কম্পিউটার ভিশন, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং অনলাইন ব্যবহারকারী আচরণের পূর্বাভাসে কৃত্রিম বুদ্ধিমত্তা চালিত শিল্প অ্যাপ্লিকেশন তৈরির কয়েক বছরের অভিজ্ঞতা রয়েছে। AWS-এ, তিনি ডোমেন দক্ষতা শেয়ার করেন এবং গ্রাহকদের ব্যবসায়িক সম্ভাবনা আনলক করতে এবং মেশিন লার্নিং স্কেলে কার্যকরী ফলাফল আনতে সাহায্য করেন। কাজের বাইরে, তিনি পড়া এবং ভ্রমণ উপভোগ করেন।

গর্ডন ওয়াং অ্যামাজন ওয়েব সার্ভিসেসের পেশাদার পরিষেবা দলের একজন সিনিয়র ডেটা সায়েন্টিস্ট। তিনি মিডিয়া, উত্পাদন, শক্তি, খুচরা এবং স্বাস্থ্যসেবা সহ অনেক শিল্পে গ্রাহকদের সমর্থন করেন। তিনি কম্পিউটার দৃষ্টি, গভীর শিক্ষা, এবং MLOps সম্পর্কে উত্সাহী. তার অবসর সময়ে, তিনি দৌড় এবং হাইকিং পছন্দ করেন।