Generer koldstartsprognoser for produkter uden historiske data ved hjælp af Amazon Forecast, nu op til 45 % mere nøjagtige

Nu med Amazon prognose, kan du generere op til 45 % mere nøjagtige prognoser for produkter uden historiske data. Forecast er en administreret tjeneste, der bruger maskinlæring (ML) til at generere nøjagtige efterspørgselsprognoser uden at kræve nogen ML-erfaring. Nøjagtig prognose er grundlaget for lageroptimering, logistikplanlægning og arbejdsstyrkestyring, og det gør det muligt for virksomheder at være bedre forberedt til at betjene deres kunder. Koldstartsprognose er en almindelig udfordring, hvor der er behov for at generere en prognose, men der ikke er nogen historiske data for produktet. Dette er typisk i brancher som detail-, fremstillings- eller forbrugerpakkede varer, hvor der er hurtige nye produktintroduktioner ved at bringe nyudviklede produkter på markedet, indbygge mærker eller kataloger for allerførste gang eller krydssælge produkter til nye regioner. Med denne lancering forbedrede vi vores eksisterende tilgang til koldstartsprognoser og leverer nu prognoser, der er op til 45 % mere nøjagtige.

Det kan være udfordrende at udvikle en koldstarts prognosemodel, fordi traditionelle statistiske prognosemetoder såsom Autoregressive Integrated Moving Average (ARIMA) eller Exponential Smoothing er bygget ved at bruge konceptet om, at et produkts historiske data kan bruges til at forudsige dets fremtidige værdier. Men uden historiske data kan modelparametrene ikke beregnes, og modellen kan derfor ikke bygges. Forecast havde allerede mulighed for at generere prognoser for koldstartsprodukter ved hjælp af proprietære neurale netværksalgoritmer såsom DeepAR+ og CNN-QR. Disse modeller lærer relationer mellem produkter og kan generere prognoser for produkter uden historiske data. Brugen af ​​varemetadata til at etablere disse relationer var implicit, hvilket betød, at netværkene ikke var i stand til fuldt ud at ekstrapolere trendkarakteristika for koldstartsprodukter.

I dag lancerede vi en ny tilgang til koldstartsprognoser, der er op til 45 % mere nøjagtig end før. Denne tilgang forbedrer vores behandling af varemetadata, hvorigennem vi identificerer eksplicitte produkter i dit datasæt, som har de mest lignende egenskaber som koldstartsprodukterne. Ved at fokusere på denne delmængde af lignende produkter er vi i stand til bedre at lære trends at generere en prognose for koldstartsproduktet. For eksempel vil en modeforhandler, der introducerer en ny T-shirt-linje, gerne forudsige efterspørgslen efter denne linje for at optimere butikslager. Du kan give Forecast historiske data for andre produkter i dit katalog, såsom eksisterende T-shirt-linjer, jakker, bukser og sko, samt varemetadata såsom mærkenavn, farve, størrelse og produktkategori for både nye og eksisterende Produkter. Med disse metadata registrerer Forecast automatisk de produkter, der er tættest relateret til den nye T-shirt-linje og bruger dem til at generere prognoser for T-shirt-linjen.

Denne funktion er tilgængelig i alle regioner, hvor prognose er offentligt tilgængelig via AWS Management Console eller AutoPredictor API. For mere information om region tilgængelighed, se AWS regionale tjenester. For at komme i gang med at bruge Forecast til koldstartsprognose, se Generering af prognoser eller GitHub notesbog.

Løsningsoversigt

Trinnene i dette indlæg demonstrerer, hvordan man bruger Forecast til koldstartsprognose på AWS Management Console. Vi gennemgår et eksempel på en forhandler, der genererer en lagerbehovsprognose for et nyligt lanceret produkt ved at følge de tre trin i Forecast: importere dine data, træne en forudsigelse og oprette en prognose. For direkte at bruge Forecast API til koldstartsprognoser, følg notesbogen i vores GitHub repo, hvilket giver en analog demonstration.

Importer dine træningsdata

For at bruge den nye koldstarts-prognosemetode skal du importere to CSV-filer: en fil, der indeholder måltidsseriedata (som viser forudsigelsesmålet), og en anden fil, der indeholder varens metadata (der viser produktkarakteristika såsom størrelse eller farve). Prognose identificerer koldstartsprodukter som de produkter, der er til stede i varemetadatafilen, men som ikke er til stede i måltidsseriefilen.

For at identificere dit koldstartsprodukt korrekt skal du sikre dig, at vare-id'et for dit koldstartsprodukt er indtastet som en række i din varemetadatafil, og at det ikke er indeholdt i måltidsseriefilen. For flere koldstartsprodukter skal du indtaste hvert produktvare-id som en separat række i varens metadatafil. Hvis du endnu ikke har et vare-id for dit koldstartsprodukt, kan du bruge enhver alfanumerisk kombination på mindre end 64 tegn, som ikke allerede er repræsentativ for et andet produkt i dit datasæt.

I vores eksempel indeholder måltidsseriefilen produktvare-id'et, tidsstempel og efterspørgsel (beholdning), og varens metadatafil indeholder produktvare-id'et, farven, produktkategorien og placeringen.

For at importere dine data skal du udføre følgende trin:

1. På prognosekonsollen skal du vælge Se datasætgrupper.

2. Vælg Opret datasætgruppe.

3. Til Datasætgruppenavn, indtast et datasætnavn (for dette indlæg, my_company_shoe_inventory).
4. For prognosedomæne skal du vælge et prognosedomæne (for dette indlæg, Detail).
5. Vælg Næste.

6. På siden Opret måltidsseriedatasæt skal du angive datasætnavnet, frekvensen af ​​dine data og dataskemaet.
7. Angiv datasætimportoplysningerne.
8. Vælg Start.

Følgende skærmbillede viser oplysningerne for måltidsseriesiden udfyldt for vores eksempel.

Du bliver omdirigeret til dashboardet, som du kan bruge til at spore fremskridt.

1. For at importere elementmetadatafilen skal du vælge på dashboardet Importere.

2. På Opret elementmetadatadatasæt side, skal du angive datasættets navn og dataskema.
3. Angiv datasætimportoplysningerne.
4. Vælg Starten.

Følgende skærmbillede viser oplysningerne udfyldt for vores eksempel.

Træn en prædiktor

Dernæst træner vi en prædiktor.

1. Vælg på dashboardet Tog forudsigelse.

2. På Tog forudsigelse side, skal du indtaste et navn til din forudsigelse, hvor lang tid i fremtiden du vil forecaste og med hvilken frekvens, og antallet af kvantiler du vil forecaste for.
3. Aktiver Autoforudsigelse. Dette er nødvendigt for koldstartsprognose.
4. Vælg Opret.

Følgende skærmbillede viser oplysningerne udfyldt for vores eksempel.

Opret en prognose

Efter at vores prædiktor er trænet (dette kan tage cirka 2.5 timer), opretter vi en prognose for det nyligt lancerede produkt. Du vil vide, at din prædiktor er trænet, når du ser Se forudsigere knappen på dit dashboard.

1. Vælg Opret en prognose på instrumentbrættet.

2. På Opret en prognose side, indtast et prognosenavn, vælg den forudsigelse, du har oprettet, og angiv prognosekvantiler (valgfrit) og de elementer, der skal genereres en prognose for.
3. Vælg Starten.

Eksporter dine prognoser

Når din prognose er oprettet, kan du eksportere dataene til CSV. Du vil vide, at din prognose er oprettet, når du ser, at status er aktiv.

1. Vælg Opret prognoseeksport.

2. Indtast eksportfilnavnet (for dette indlæg, my_cold_start_forecast_export).
3. Til Eksporter placering, angiv Amazon Simple Storage Service (Amazon S3) placering.
4. Vælg Starten.

5. For at downloade eksporten skal du navigere til S3-filstiens placering fra konsollen, derefter vælge filen og vælge Hent.

Eksportfilen indeholder tidsstemplet, vare-id'et, varens metadata og prognoserne for hver valgt kvantil.

Se dine prognoser

Når din prognose er oprettet, kan du se prognoserne for de nye produkter grafisk på konsollen.

1. Vælg Forespørg prognose på instrumentbrættet.

2. Vælg navnet på den prognose, der blev oprettet i det forrige trin (my_cold_start_forecast i vores eksempel).
3. Indtast startdatoen og slutdatoen, du vil se din prognose over.
4. I vare-id-feltet for prognosenøglen skal du tilføje det unikke ID for dit koldstartsprodukt.
5. valgte Få prognose.

I figuren vil du se prognosen for enhver valgt kvantil.

Konklusion

Med Forecast er du i stand til at opnå den samme prognoseindsigt for koldstartsprodukter uden historiske data, nu op til 45 % mere nøjagtige end før. For at generere koldstartsprognoser med Forecast skal du åbne Forecast-konsollen og følge de trin, der er beskrevet i dette indlæg, eller se vores GitHub notesbog om hvordan man får adgang til funktionaliteten via API. For at lære mere, se Generering af prognoser.

---

Om forfatterne

Brandon Nair er Senior Product Manager for Amazon Forecast. Hans professionelle interesse ligger i at skabe skalerbare maskinlæringstjenester og -applikationer. Uden for arbejdet kan han blive fundet i at udforske nationalparker, perfektionere sit golfsving eller planlægge en eventyrrejse.

Manas Dadarkar er en softwareudviklingschef, der ejer konstruktionen af ​​Amazon Forecast-tjenesten. Han brænder for anvendelserne af maskinlæring og gør ML-teknologier let tilgængelige for alle at anvende og implementere til produktion. Uden for arbejdet har han flere interesser, herunder at rejse, læse og tilbringe tid med venner og familie.

Bharat Nandamuri er en Sr Software Engineer, der arbejder på Amazon Forecast. Han brænder for at bygge højskala backend-tjenester med fokus på Engineering for ML-systemer. Uden for arbejdet nyder han at spille skak, vandre og se film.

Gaurav Gupta er en anvendt videnskabsmand ved AWS AI-laboratorier og Amazon Forecast. Hans forskningsinteresser ligger i maskinlæring for sekventielle data, operatørlæring for partielle differentialligninger, wavelets. Han afsluttede sin ph.d. fra University of Southern California, før han kom til AWS.