Erstellen Sie Kaltstartprognosen für Produkte ohne historische Daten mit Amazon Forecast, jetzt bis zu 45 % genauer

Jetzt mit Amazon-Prognosekönnen Sie bis zu 45 % genauere Prognosen für Produkte ohne historische Daten erstellen. Forecast ist ein verwalteter Dienst, der maschinelles Lernen (ML) verwendet, um genaue Bedarfsprognosen zu erstellen, ohne dass ML-Erfahrung erforderlich ist. Genaue Prognosen sind die Grundlage für Bestandsoptimierung, Logistikplanung und Personalmanagement und ermöglichen es Unternehmen, sich besser auf den Service für ihre Kunden vorzubereiten. Kaltstartprognose ist eine häufige Herausforderung, wenn eine Prognose erstellt werden muss, aber keine historischen Daten für das Produkt vorhanden sind. Dies ist typisch für Branchen wie Einzelhandel, Fertigung oder Konsumgüter, in denen neue Produkte schnell eingeführt werden, indem neu entwickelte Produkte auf den Markt gebracht, Marken oder Kataloge zum ersten Mal eingeführt oder Produkte in neuen Regionen verkauft werden. Mit dieser Einführung haben wir unseren bestehenden Ansatz für Kaltstartprognosen verbessert und liefern jetzt Prognosen, die bis zu 45 % genauer sind.

Es kann schwierig sein, ein Kaltstart-Prognosemodell zu entwickeln, da traditionelle statistische Prognosemethoden wie Autoregressive Integrated Moving Average (ARIMA) oder Exponential Smoothing auf dem Konzept basieren, dass die historischen Daten eines Produkts verwendet werden können, um seine zukünftigen Werte vorherzusagen. Aber ohne historische Daten können die Modellparameter nicht berechnet und somit das Modell nicht gebaut werden. Forecast war bereits in der Lage, Prognosen für Kaltstartprodukte mit proprietären Produkten zu erstellen Algorithmen für neuronale Netzwerke wie DeepAR+ und CNN-QR. Diese Modelle lernen Beziehungen zwischen Produkten und können Prognosen für Produkte ohne historische Daten erstellen. Die Verwendung von Artikelmetadaten zur Herstellung dieser Beziehungen war implizit, was bedeutete, dass die Netzwerke Trendmerkmale für Kaltstartprodukte nicht vollständig extrapolieren konnten.

Heute haben wir einen neuen Ansatz für Kaltstartprognosen eingeführt, der bis zu 45 % genauer ist als zuvor. Dieser Ansatz verbessert unsere Behandlung von Artikelmetadaten, durch die wir explizite Produkte in Ihrem Datensatz identifizieren, die die ähnlichsten Eigenschaften wie die Kaltstartprodukte aufweisen. Indem wir uns auf diese Teilmenge ähnlicher Produkte konzentrieren, können wir Trends besser erkennen, um eine Prognose für das Kaltstartprodukt zu erstellen. Beispielsweise möchte ein Modehändler, der eine neue T-Shirt-Linie einführt, die Nachfrage nach dieser Linie prognostizieren, um den Lagerbestand zu optimieren. Sie können Forecast historische Daten für andere Produkte in Ihrem Katalog bereitstellen, z. B. bestehende T-Shirt-Linien, Jacken, Hosen und Schuhe, sowie Artikelmetadaten wie Markenname, Farbe, Größe und Produktkategorie für neue und bestehende Produkte Produkte. Mit diesen Metadaten erkennt Forecast automatisch die Produkte, die am engsten mit der neuen T-Shirt-Linie verwandt sind, und verwendet diese, um Prognosen für die T-Shirt-Linie zu erstellen.

Diese Funktion ist in allen Regionen verfügbar, in denen die Prognose über die öffentlich verfügbar ist AWS-Managementkonsole oder im AutoPredictor-API. Weitere Informationen zur regionalen Verfügbarkeit finden Sie unter Regionale AWS-Services. Informationen zum Einstieg in die Verwendung von Forecast für die Kaltstartprognose finden Sie unter Prognosen erstellen oder im GitHub-Notizbuch.

Lösungsüberblick

Die Schritte in diesem Beitrag zeigen, wie Forecast für Kaltstartprognosen auf dem verwendet wird AWS-Managementkonsole. Wir gehen durch ein Beispiel eines Einzelhändlers, der eine Bestandsbedarfsprognose für ein neu eingeführtes Produkt erstellt, indem er die drei Schritte in Forecast befolgt: Importieren Ihrer Daten, Trainieren eines Prädiktors und Erstellen einer Prognose. Um die Prognose-API direkt für Kaltstartprognosen zu verwenden, folgen Sie dem Notizbuch in unserem GitHub Repo, die eine analoge Demonstration liefert.

Importieren Sie Ihre Trainingsdaten

Um die neue Kaltstart-Prognosemethode zu verwenden, müssen Sie zwei CSV-Dateien importieren: eine Datei mit den Zielzeitreihendaten (mit dem Vorhersageziel) und eine andere Datei mit den Artikelmetadaten (mit Produktmerkmalen wie Größe oder Farbe). Die Prognose identifiziert Kaltstartprodukte als diejenigen Produkte, die in der Elementmetadatendatei, aber nicht in der Zielzeitreihendatei vorhanden sind.

Stellen Sie zur korrekten Identifizierung Ihres Kaltstartprodukts sicher, dass die Artikel-ID Ihres Kaltstartprodukts als Zeile in Ihrer Artikelmetadatendatei eingegeben wird und nicht in der Zielzeitreihendatei enthalten ist. Geben Sie für mehrere Kaltstartprodukte jede Produktartikel-ID als separate Zeile in der Artikelmetadatendatei ein. Wenn Sie noch keine Artikel-ID für Ihr Kaltstartprodukt haben, können Sie jede alphanumerische Kombination mit weniger als 64 Zeichen verwenden, die nicht bereits für ein anderes Produkt in Ihrem Datensatz repräsentativ ist.

In unserem Beispiel enthält die Zielzeitreihendatei die Produktartikel-ID, den Zeitstempel und die Nachfrage (Bestand), und die Artikelmetadatendatei enthält die Produktartikel-ID, die Farbe, die Produktkategorie und den Standort.

Führen Sie die folgenden Schritte aus, um Ihre Daten zu importieren:

1. Wählen Sie in der Prognosekonsole Datensatzgruppen anzeigen.

2. Auswählen Datensatzgruppe erstellen.

3. Aussichten für Name der Datensatzgruppe, geben Sie einen Dataset-Namen ein (für diesen Beitrag my_company_shoe_inventory).
4. Wählen Sie für Prognosedomäne eine Prognosedomäne aus (für diesen Beitrag Einzelhandel).
5. Wählen Sie Weiter.

6. Geben Sie auf der Seite Zielzeitreihen-Dataset erstellen den Dataset-Namen, die Häufigkeit Ihrer Daten und das Datenschema an.
7. Geben Sie die Importdetails des Datensatzes an.
8. Wählen Sie Starten.

Der folgende Screenshot zeigt die Informationen für die Zielzeitreihenseite, die für unser Beispiel ausgefüllt wurden.

Sie werden zum Dashboard weitergeleitet, mit dem Sie den Fortschritt verfolgen können.

1. Um die Elementmetadatendatei zu importieren, wählen Sie im Dashboard aus Import.

2. Auf dem Elementmetadaten-Datensatz erstellen Geben Sie auf der Seite Dataset-Name und Datenschema an.
3. Geben Sie die Importdetails des Datensatzes an.
4. Auswählen Startseite.

Der folgende Screenshot zeigt die für unser Beispiel ausgefüllten Informationen.

Trainiere einen Prädiktor

Als nächstes trainieren wir einen Prädiktor.

1. Wählen Sie auf dem Dashboard Zugprädiktor.

2. Auf dem Zugprädiktor geben Sie einen Namen für Ihren Prädiktor ein, wie lange in der Zukunft Sie prognostizieren möchten und mit welcher Häufigkeit, und die Anzahl der Quantile, für die Sie prognostizieren möchten.
3. Ermöglichen Automatische Vorhersage. Dies ist für die Kaltstartprognose erforderlich.
4. Auswählen Erstellen.

Der folgende Screenshot zeigt die für unser Beispiel ausgefüllten Informationen.

Erstellen Sie eine Prognose

Nachdem unser Prädiktor trainiert ist (dies kann etwa 2.5 Stunden dauern), erstellen wir eine Prognose für das neu eingeführte Produkt. Sie werden wissen, dass Ihr Prädiktor trainiert ist, wenn Sie das sehen Prädiktoren anzeigen Schaltfläche auf Ihrem Dashboard.

1. Auswählen Erstellen Sie eine Prognose auf dem Armaturenbrett.

2. Auf dem Erstellen Sie eine Prognose geben Sie einen Prognosenamen ein, wählen Sie den von Ihnen erstellten Prädiktor aus und geben Sie die Prognosequantile (optional) und die Elemente an, für die eine Prognose erstellt werden soll.
3. Auswählen Startseite.

Exportieren Sie Ihre Prognosen

Nachdem Ihre Prognose erstellt wurde, können Sie die Daten in CSV exportieren. Sie wissen, dass Ihre Prognose erstellt wurde, wenn Sie sehen, dass der Status aktiv ist.

1. Auswählen Prognoseexport erstellen.

2. Geben Sie den Namen der Exportdatei ein (für diesen Beitrag my_cold_start_forecast_export).
3. Aussichten für Standort exportieren, Präzisiere das Amazon Simple Storage-Service (Amazon S3) Standort.
4. Auswählen Startseite.

5. Um den Export herunterzuladen, navigieren Sie in der Konsole zum Speicherort der S3-Datei, wählen Sie dann die Datei aus und wählen Sie Herunterladen.

Die Exportdatei enthält den Zeitstempel, die Element-ID, die Elementmetadaten und die Prognosen für jedes ausgewählte Quantil.

Zeigen Sie Ihre Prognosen an

Nachdem Ihre Prognose erstellt wurde, können Sie die Prognosen für die neuen Produkte grafisch auf der Konsole anzeigen.

1. Auswählen Prognose abfragen auf dem Armaturenbrett.

2. Wählen Sie den Namen der im vorherigen Schritt erstellten Prognose (in unserem Beispiel my_cold_start_forecast).
3. Geben Sie das Start- und Enddatum ein, für das Sie Ihre Prognose anzeigen möchten.
4. Fügen Sie im Feld Artikel-ID für den Prognoseschlüssel die eindeutige ID Ihres Kaltstartprodukts hinzu.
5. Wählen Prognose erhalten.

In der Abbildung sehen Sie die Prognose für jedes ausgewählte Quantil.

Zusammenfassung

Mit Forecast können Sie die gleichen Prognoseeinblicke für Kaltstartprodukte ohne historische Daten erhalten, jetzt bis zu 45 % genauer als zuvor. Um Kaltstartprognosen mit Forecast zu erstellen, öffnen Sie die Forecast-Konsole und befolgen Sie die in diesem Beitrag beschriebenen Schritte oder lesen Sie unsere GitHub-Notizbuch zum Zugriff auf die Funktionalität über die API. Weitere Informationen finden Sie unter Prognosen erstellen.

---

Über die Autoren

Brandon Nair ist Senior Product Manager für Amazon Forecast. Sein berufliches Interesse liegt in der Entwicklung skalierbarer Dienste und Anwendungen für maschinelles Lernen. Außerhalb der Arbeit erkundet er Nationalparks, perfektioniert seinen Golfschwung oder plant eine Abenteuerreise.

Manas Dadarkar ist ein Softwareentwicklungsmanager, dem die Entwicklung des Amazon Forecast-Dienstes gehört. Er interessiert sich leidenschaftlich für die Anwendungen des maschinellen Lernens und dafür, ML-Technologien für jedermann leicht verfügbar zu machen, damit sie übernommen und in der Produktion eingesetzt werden können. Außerhalb der Arbeit hat er mehrere Interessen, darunter Reisen, Lesen und Zeit mit Freunden und Familie verbringen.

Bharat Nandamuri ist ein Senior Software Engineer, der an Amazon Forecast arbeitet. Er entwickelt leidenschaftlich gerne hochskalierte Backend-Dienste mit Schwerpunkt auf Engineering für ML-Systeme. Außerhalb der Arbeit spielt er gerne Schach, wandert und schaut Filme.

Gaurav Gupta ist Applied Scientist bei AWS AI Labs und Amazon Forecast. Seine Forschungsinteressen liegen im maschinellen Lernen für sequentielle Daten, Operatorlernen für partielle Differentialgleichungen, Wavelets. Er promovierte an der University of Southern California, bevor er zu AWS kam.