Εφαρμογή της πρόβλεψης της Amazon στη βιομηχανία λιανικής: Ένα ταξίδι από το POC στην παραγωγή

Πρόβλεψη του Αμαζονίου είναι μια πλήρως διαχειριζόμενη υπηρεσία που χρησιμοποιεί αλγόριθμους στατιστικής και μηχανικής μάθησης (ML) για να παρέχει εξαιρετικά ακριβείς προβλέψεις χρονοσειρών. Πρόσφατα, με βάση το Amazon Forecast, βοηθήσαμε έναν από τους πελάτες λιανικής μας να επιτύχει ακριβή πρόβλεψη ζήτησης, εντός 8 εβδομάδων. Η λύση βελτίωσε τη μη αυτόματη πρόβλεψη κατά μέσο όρο 10% σε σχέση με το WAPE μετρικός. Αυτό οδηγεί σε άμεση εξοικονόμηση 16 ωρών εργασίας μηνιαίως. Επιπλέον, εκτιμήσαμε ότι με την πλήρωση του σωστού αριθμού ειδών, οι πωλήσεις θα μπορούσαν να αυξηθούν έως και 11.8%. Σε αυτήν την ανάρτηση, παρουσιάζουμε τη ροή εργασιών και τα κρίσιμα στοιχεία που πρέπει να εφαρμοστούν - από την απόδειξη της ιδέας (POC) έως την παραγωγή - ένα σύστημα πρόβλεψης ζήτησης με το Amazon Forecast, εστιασμένο στις προκλήσεις στον κλάδο λιανικής.

Ιστορικό και τρέχουσες προκλήσεις της πρόβλεψης ζήτησης στον κλάδο του λιανικού εμπορίου

Ο στόχος της πρόβλεψης ζήτησης είναι να εκτιμήσει τη μελλοντική ζήτηση από ιστορικά δεδομένα και να βοηθήσει στην αναπλήρωση των αποθηκών και την κατανομή της χωρητικότητας. Με την πρόβλεψη ζήτησης, οι έμποροι λιανικής είναι σε θέση να τοποθετήσουν τη σωστή ποσότητα αποθέματος σε κάθε τοποθεσία του δικτύου τους για να καλύψουν τη ζήτηση. Επομένως, ένα ακριβές σύστημα πρόβλεψης μπορεί να αποφέρει ένα ευρύ φάσμα πλεονεκτημάτων σε διάφορες επιχειρηματικές λειτουργίες, όπως:

• Αύξηση των πωλήσεων από καλύτερη διαθεσιμότητα προϊόντων και μείωση της προσπάθειας μεταφοράς απορριμμάτων μεταξύ καταστημάτων
• Παροχή πιο αξιόπιστων πληροφοριών για τη βελτίωση της χρήσης της παραγωγικής ικανότητας και την προληπτική αποφυγή συμφόρησης στην παροχή χωρητικότητας
• Ελαχιστοποίηση του κόστους αποθέματος και παραγωγής και βελτίωση του κύκλου εργασιών των αποθεμάτων
• Παρουσιάζοντας μια συνολική καλύτερη εμπειρία πελάτη

Οι τεχνικές ML αποδεικνύουν μεγάλη αξία όταν υπάρχει μεγάλος όγκος δεδομένων καλής ποιότητας. Σήμερα, η διαχείριση αναπλήρωσης βάσει εμπειρίας ή η πρόβλεψη ζήτησης εξακολουθεί να είναι η κύρια τάση για τους περισσότερους λιανοπωλητές. Με στόχο τη βελτίωση της εμπειρίας των πελατών, όλο και περισσότεροι έμποροι λιανικής είναι πρόθυμοι να αντικαταστήσουν τα συστήματα πρόβλεψης ζήτησης που βασίζονται στην εμπειρία με προβλέψεις που βασίζονται σε ML. Ωστόσο, οι έμποροι λιανικής αντιμετωπίζουν πολλαπλές προκλήσεις κατά την εφαρμογή συστημάτων πρόβλεψης ζήτησης που βασίζονται σε ML στην παραγωγή. Συνοψίζουμε τις διαφορετικές προκλήσεις σε τρεις κατηγορίες: προκλήσεις δεδομένων, προκλήσεις ML και λειτουργικές προκλήσεις.

Προκλήσεις δεδομένων

Ο μεγάλος όγκος καθαρών, ποιοτικών δεδομένων είναι βασική προϋπόθεση για την επίτευξη ακριβών προβλέψεων βάσει ML. Πρέπει να συλλέγονται και να ενοποιούνται δεδομένα ποιότητας, συμπεριλαμβανομένων ιστορικών πωλήσεων και δεδομένων που σχετίζονται με τις πωλήσεις (όπως απόθεμα, τιμολόγηση αντικειμένων και προωθήσεις). Η ποικιλομορφία των δεδομένων από πολλαπλούς πόρους απαιτεί μια σύγχρονη πλατφόρμα δεδομένων για την ενοποίηση των σιλό δεδομένων. Επιπλέον, η έγκαιρη πρόσβαση στα δεδομένα είναι απαραίτητη για συχνές και ακριβείς προβλέψεις ζήτησης.

Προκλήσεις ML

Η ανάπτυξη προηγμένων αλγορίθμων ML απαιτεί εξειδίκευση. Η εφαρμογή των σωστών αλγορίθμων για το σωστό πρόβλημα χρειάζεται τόσο σε βάθος γνώση του τομέα όσο και δεξιότητες ML. Επιπλέον, η εκμάθηση από μεγάλα διαθέσιμα σύνολα δεδομένων απαιτεί μια κλιμακούμενη υποδομή ML. Επιπλέον, η διατήρηση αλγορίθμων ML στην παραγωγή απαιτεί ικανότητες ML προκειμένου να αναλυθεί η βασική αιτία της υποβάθμισης του μοντέλου και να επανεκπαιδευτεί σωστά το μοντέλο.

Για την επίλυση πρακτικών επιχειρηματικών προβλημάτων, η παραγωγή ακριβών προβλέψεων είναι μόνο ένα μέρος της ιστορίας. Οι υπεύθυνοι λήψης αποφάσεων χρειάζονται πιθανοτικές προβλέψεις σε διαφορετικά ποσοστά για τη λήψη σημαντικών αποφάσεων αντιστάθμισης εμπειρίας πελάτη έναντι οικονομικών αποτελεσμάτων. Χρειάζεται επίσης να εξηγούν τις προβλέψεις στους ενδιαφερόμενους και να εκτελούν αναλύσεις what-if για να διερευνήσουν πώς διαφορετικά σενάρια ενδέχεται να επηρεάσουν τα αποτελέσματα των προβλέψεων.

Επιχειρησιακές προκλήσεις

Η μείωση της επιχειρησιακής προσπάθειας για τη διατήρηση ενός οικονομικά αποδοτικού συστήματος πρόβλεψης είναι η τρίτη κύρια πρόκληση. Σε ένα κοινό σενάριο πρόβλεψης ζήτησης, κάθε στοιχείο σε κάθε τοποθεσία έχει τη δική του πρόβλεψη. Απαιτείται ένα σύστημα που μπορεί να διαχειριστεί εκατοντάδες χιλιάδες προβλέψεις ανά πάσα στιγμή. Επιπλέον, οι επιχειρησιακοί τελικοί χρήστες χρειάζονται το σύστημα πρόβλεψης να ενσωματωθεί σε υπάρχοντα κατάντη συστήματα, όπως οι υπάρχουσες πλατφόρμες διαχείρισης της εφοδιαστικής αλυσίδας, ώστε να μπορούν να χρησιμοποιούν συστήματα που βασίζονται σε ML χωρίς να τροποποιούν τα υπάρχοντα εργαλεία και διαδικασίες.

Αυτές οι προκλήσεις είναι ιδιαίτερα έντονες όταν οι επιχειρήσεις είναι μεγάλες, δυναμικές και αναπτυσσόμενες. Για να αντιμετωπίσουμε αυτές τις προκλήσεις, μοιραζόμαστε μια ιστορία επιτυχίας πελατών που μειώνει τις προσπάθειες για γρήγορη επικύρωση του πιθανού επιχειρηματικού κέρδους. Αυτό επιτυγχάνεται μέσω της δημιουργίας πρωτοτύπων με το Amazon Forecast — μια πλήρως διαχειριζόμενη υπηρεσία που παρέχει ακριβή αποτελέσματα πρόβλεψης χωρίς την ανάγκη διαχείρισης υποκείμενων πόρων υποδομής και αλγορίθμων.

Γρήγορη δημιουργία πρωτοτύπων για ένα σύστημα πρόβλεψης που βασίζεται σε ML με το Amazon Forecast

Με βάση την εμπειρία μας, βλέπουμε συχνά ότι οι πελάτες λιανικής είναι πρόθυμοι να ξεκινήσουν μια απόδειξη της ιδέας για τα δεδομένα πωλήσεών τους. Αυτό μπορεί να γίνει μέσα σε διάστημα λίγων ημερών έως λίγων εβδομάδων για γρήγορη δημιουργία πρωτοτύπων, ανάλογα με την πολυπλοκότητα των δεδομένων και τους διαθέσιμους πόρους για επανάληψη μέσω της διαδικασίας συντονισμού του μοντέλου. Κατά τη δημιουργία πρωτοτύπων, προτείνουμε τη χρήση σπριντ για την αποτελεσματική διαχείριση της διαδικασίας και τον διαχωρισμό του POC σε φάσεις εξερεύνησης δεδομένων, επαναληπτικής βελτίωσης και αυτοματισμού.

Εξερεύνηση δεδομένων

Η εξερεύνηση δεδομένων συχνά περιλαμβάνει έντονη συζήτηση με επιστήμονες δεδομένων ή αναλυτές επιχειρηματικής ευφυΐας για να εξοικειωθείτε με το ιστορικό σύνολο δεδομένων πωλήσεων και τις διαθέσιμες πηγές δεδομένων που μπορεί να επηρεάσουν τα αποτελέσματα πρόβλεψης, όπως το απόθεμα και τα ιστορικά διαφημιστικά γεγονότα. Ένας από τους πιο αποτελεσματικούς τρόπους είναι η ενοποίηση των δεδομένων πωλήσεων, ως το σύνολο δεδομένων στόχου, από την αποθήκη δεδομένων στο αρχικό στάδιο του έργου. Αυτό βασίζεται στο γεγονός ότι τα αποτελέσματα πρόβλεψης κυριαρχούνται συχνά από τα πρότυπα δεδομένων-στόχων. Οι αποθήκες δεδομένων συχνά αποθηκεύουν καθημερινά επιχειρηματικά δεδομένα και η εξαντλητική κατανόηση σε σύντομο χρονικό διάστημα είναι δύσκολη και χρονοβόρα. Η πρότασή μας είναι να επικεντρωθείτε στη δημιουργία του συνόλου δεδομένων στόχου και να βεβαιωθείτε ότι αυτό το σύνολο δεδομένων είναι σωστό. Αυτά τα αποτελέσματα εξερεύνησης δεδομένων και βασικής γραμμής μπορούν συχνά να επιτευχθούν μέσα σε λίγες ημέρες και αυτό μπορεί να καθορίσει εάν τα δεδομένα στόχου μπορούν να προβλεφθούν με ακρίβεια. Θα συζητήσουμε την προβλεψιμότητα δεδομένων αργότερα σε αυτήν την ανάρτηση.

Επανάληψη

Αφού έχουμε τα βασικά αποτελέσματα, μπορούμε να συνεχίσουμε να προσθέτουμε περισσότερα σχετικά δεδομένα για να δούμε πώς αυτά μπορούν να επηρεάσουν την ακρίβεια. Αυτό γίνεται συχνά μέσω μιας βαθιάς κατάδυσης σε πρόσθετα σύνολα δεδομένων. για περισσότερες πληροφορίες, ανατρέξτε στο Χρησιμοποιώντας σύνολα δεδομένων σχετικών χρονικών σειρών και Χρήση συνόλων δεδομένων μεταδεδομένων στοιχείων.

Σε ορισμένες περιπτώσεις, μπορεί να είναι δυνατό να βελτιωθεί η ακρίβεια στο Amazon Forecast εκπαιδεύοντας τα μοντέλα με παρόμοια υποσύνολα του συνόλου δεδομένων ή αφαιρώντας τα αραιά δεδομένα από το σύνολο δεδομένων. Κατά τη διάρκεια αυτής της επαναληπτικής φάσης βελτίωσης, το δύσκολο μέρος - που ισχύει για όλα τα έργα ML - είναι ότι η τρέχουσα επανάληψη εξαρτάται από τα βασικά ευρήματα και ιδέες της προηγούμενης επανάληψης, επομένως η αυστηρή ανάλυση και η αναφορά είναι το κλειδί για την επιτυχία.

Η ανάλυση μπορεί να γίνει ποσοτικά και εμπειρικά. Η ποσοτική πτυχή αναφέρεται στην αξιολόγηση κατά τον εκ των υστέρων έλεγχο και τη σύγκριση της μέτρησης ακρίβειας, όπως π.χ. WAPE. Η εμπειρική πτυχή αναφέρεται στην οπτικοποίηση της καμπύλης πρόβλεψης και των πραγματικών δεδομένων στόχου και στη χρήση της γνώσης του τομέα για την ενσωμάτωση πιθανών παραγόντων. Αυτές οι αναλύσεις σάς βοηθούν να επαναλάβετε γρηγορότερα για να γεφυρώσετε το χάσμα μεταξύ των προβλεπόμενων αποτελεσμάτων και των δεδομένων στόχων. Επιπλέον, η παρουσίαση τέτοιων αποτελεσμάτων μέσω μιας εβδομαδιαίας αναφοράς μπορεί συχνά να παρέχει εμπιστοσύνη στους τελικούς χρήστες των επιχειρήσεων.

Αυτοματοποίηση

Το τελικό βήμα συχνά περιλαμβάνει τη συζήτηση του POC στη διαδικασία παραγωγής και τον αυτοματισμό. Επειδή το έργο ML περιορίζεται από τη συνολική διάρκεια του έργου, ενδέχεται να μην έχουμε αρκετό χρόνο για να εξερευνήσουμε κάθε δυνατότητα. Επομένως, η ένδειξη της πιθανής περιοχής σε όλα τα ευρήματα κατά τη διάρκεια του έργου μπορεί συχνά να κερδίσει την εμπιστοσύνη. Επιπλέον, η αυτοματοποίηση μπορεί να βοηθήσει τους επιχειρησιακούς τελικούς χρήστες να αξιολογήσουν την Πρόβλεψη για μεγαλύτερο χρονικό διάστημα, επειδή μπορούν να χρησιμοποιήσουν έναν υπάρχοντα προγνωστικό παράγοντα για να δημιουργήσουν προβλέψεις με τα ενημερωμένα δεδομένα.

Τα κριτήρια επιτυχίας μπορούν να αξιολογηθούν με παραγόμενα αποτελέσματα, τόσο από τεχνική όσο και από επιχειρηματική άποψη. Κατά τη διάρκεια της περιόδου αξιολόγησης, μπορούμε να εκτιμήσουμε τα πιθανά οφέλη για τα ακόλουθα:

• Αύξηση της ακρίβειας πρόβλεψης (τεχνική) – Υπολογίστε την ακρίβεια πρόβλεψης σε σχέση με τα πραγματικά δεδομένα πωλήσεων και συγκρίνετε με το υπάρχον σύστημα προβλέψεων, συμπεριλαμβανομένων των μη αυτόματων προβλέψεων
• Μείωση των απορριμμάτων (επιχειρήσεις) – Μειώστε τις υπερβολικές προβλέψεις προκειμένου να μειωθούν τα απόβλητα
• Βελτίωση των τιμών σε απόθεμα (επιχειρήσεις) – Μειώστε τις υπο-προβλέψεις προκειμένου να βελτιωθούν οι τιμές των αποθεμάτων
• Εκτίμηση της αύξησης του μικτού κέρδους (επιχειρήσεις) – Μειώστε τη σπατάλη και βελτιώστε τις τιμές στο απόθεμα, προκειμένου να αυξήσετε το μικτό κέρδος

Συνοψίζουμε τη ροή εργασιών ανάπτυξης στο παρακάτω διάγραμμα.

Στις επόμενες ενότητες, συζητάμε τα σημαντικά στοιχεία που πρέπει να ληφθούν υπόψη κατά την υλοποίηση.

Βήμα προς βήμα ροή εργασίας για την ανάπτυξη ενός συστήματος πρόβλεψης

Δημιουργία δεδομένων στόχου

Το πρώτο βήμα είναι να δημιουργήσετε το σύνολο δεδομένων στόχου για την Πρόβλεψη. Στον κλάδο λιανικής, αυτό αναφέρεται στα ιστορικά δεδομένα ζήτησης χρονοσειρών και πωλήσεων για είδη λιανικής (SKU). Κατά την προετοιμασία του συνόλου δεδομένων, μια σημαντική πτυχή είναι η ευαισθησία. Θα πρέπει να λάβουμε υπόψη την ευαισθησία των δεδομένων τόσο από τις επιχειρηματικές απαιτήσεις όσο και από τις τεχνικές απαιτήσεις.

Η επιχείρηση ορίζει τον τρόπο με τον οποίο η πρόβλεψη έχει ως αποτέλεσμα το σύστημα παραγωγής:

• ορίζοντας – Ο αριθμός των χρονικών βημάτων που προβλέπονται. Αυτό εξαρτάται από το υποκείμενο επιχειρηματικό πρόβλημα. Εάν θέλουμε να ξαναγεμίζουμε το επίπεδο των αποθεμάτων κάθε εβδομάδα, τότε μια εβδομαδιαία πρόβλεψη ή ημερήσια πρόβλεψη φαίνεται κατάλληλη.
• Βαθμός λεπτομέρειας – Η αναλυτικότητα των προβλέψεών σας: συχνότητα χρόνου, όπως ημερήσια ή εβδομαδιαία, διαφορετικές τοποθεσίες καταστημάτων και διαφορετικά μεγέθη του ίδιου είδους. Τελικά, η πρόβλεψη μπορεί να είναι ένας συνδυασμός κάθε SKU καταστήματος, με ημερήσια σημεία δεδομένων.

Παρόλο που ο προαναφερόμενος ορίζοντας και η αναλυτικότητα πρόβλεψης θα πρέπει να καθοριστούν για να δοθεί προτεραιότητα στις επιχειρηματικές απαιτήσεις, ίσως χρειαστεί να κάνουμε αντισταθμίσεις μεταξύ απαιτήσεων και σκοπιμότητας. Πάρτε για παράδειγμα την επιχείρηση υποδημάτων. Αν θέλουμε να προβλέψουμε τις πωλήσεις κάθε μεγέθους παπουτσιού σε κάθε επίπεδο καταστήματος, τα δεδομένα σύντομα γίνονται αραιά και το μοτίβο είναι δύσκολο να βρεθεί. Ωστόσο, για να ξαναγεμίσουμε το απόθεμα, πρέπει να εκτιμήσουμε αυτή την ευαισθησία. Για να γίνει αυτό, εναλλακτικές λύσεις μπορεί να απαιτούν την εκτίμηση μιας αναλογίας μεταξύ διαφορετικών μεγεθών παπουτσιών και τη χρήση αυτής της αναλογίας για τον υπολογισμό των λεπτομερών αποτελεσμάτων.

Συχνά χρειάζεται να εξισορροπούμε τις επιχειρηματικές απαιτήσεις και το μοτίβο δεδομένων που μπορούμε να μάθουμε και να χρησιμοποιήσουμε για την πρόβλεψη. Για να παρέχουμε έναν ποσοτικό προσδιορισμό των προτύπων δεδομένων, προτείνουμε τη χρήση της δυνατότητας πρόβλεψης δεδομένων.

Προβλεψιμότητα δεδομένων και ταξινόμηση προτύπων δεδομένων

Μία από τις βασικές πληροφορίες που μπορούμε να συλλέξουμε από το σύνολο δεδομένων στόχου είναι η ικανότητά του να παράγει ποιοτικές προβλέψεις. Αυτό μπορεί να αναλυθεί στην πολύ πρώιμη φάση του έργου ML. Οι προβλέψεις λάμπουν όταν τα δεδομένα δείχνουν εποχικότητα, τάσεις και κυκλικά μοτίβα.

Για τον προσδιορισμό της δυνατότητας πρόβλεψης, υπάρχουν δύο κύριοι συντελεστές: η μεταβλητότητα στο χρόνο ζήτησης και η μεταβλητότητα στην ποσότητα ζήτησης. Η μεταβλητότητα στο χρόνο ζήτησης σημαίνει το διάστημα μεταξύ δύο περιπτώσεων ζήτησης και μετρά την κανονικότητα της ζήτησης στο χρόνο. Μεταβλητότητα στην ποσότητα ζήτησης σημαίνει διακύμανση των ποσοτήτων. Το παρακάτω σχήμα απεικονίζει μερικά διαφορετικά μοτίβα. Η ακρίβεια της πρόβλεψης εξαρτάται σε μεγάλο βαθμό από την προβλεψιμότητα του προϊόντος. Για περισσότερες πληροφορίες, ανατρέξτε στο Ταξινόμηση ζήτησης: γιατί έχει σημασία η προβλεψιμότητα.

Αξίζει να σημειωθεί ότι αυτή η ανάλυση προβλεψιμότητας αφορά κάθε λεπτόκοκκο στοιχείο (για παράδειγμα, SKU-Store-Color-Size). Είναι αρκετά συνηθισμένο ότι σε ένα σύστημα παραγωγής πρόβλεψης ζήτησης, διαφορετικά είδη ακολουθούν διαφορετικά μοτίβα. Επομένως, είναι σημαντικό να διαχωρίσετε τα στοιχεία ακολουθώντας διαφορετικά μοτίβα δεδομένων. Ένα χαρακτηριστικό παράδειγμα είναι τα γρήγορα και αργά κινούμενα αντικείμενα. Ένα άλλο παράδειγμα θα ήταν τα πυκνά και αραιά δεδομένα. Επιπλέον, ένα λεπτόκοκκο αντικείμενο έχει περισσότερες πιθανότητες να αποδώσει ένα ογκώδες σχέδιο. Για παράδειγμα, σε ένα κατάστημα ρούχων, οι πωλήσεις ενός δημοφιλούς προϊόντος μπορεί να είναι αρκετά ομαλές καθημερινά, αλλά αν διαχωρίσουμε περαιτέρω τις πωλήσεις του αντικειμένου για κάθε χρώμα και μέγεθος, σύντομα γίνεται αραιή. Επομένως, η μείωση της ευαισθησίας από SKU-Store-Color-Size σε SKU-Store μπορεί να αλλάξει το μοτίβο δεδομένων από ογκώδες σε ομαλό και αντίστροφα.

Επιπλέον, δεν συμβάλλουν όλα τα είδη στις πωλήσεις εξίσου. Παρατηρήσαμε ότι η συνεισφορά αντικειμένων ακολουθεί συχνά τη διανομή Pareto, στην οποία τα κορυφαία είδη συμβάλλουν στο μεγαλύτερο μέρος των πωλήσεων. Οι πωλήσεις αυτών των κορυφαίων αντικειμένων είναι συχνά ομαλές. Τα είδη με χαμηλότερο ρεκόρ πωλήσεων είναι συχνά ογκώδη και ακανόνιστα, και επομένως είναι δύσκολο να εκτιμηθούν. Η προσθήκη αυτών των αντικειμένων μπορεί να μειώσει την ακρίβεια των ειδών με τις μεγαλύτερες πωλήσεις. Με βάση αυτές τις παρατηρήσεις, μπορούμε να διαχωρίσουμε τα είδη σε διαφορετικές ομάδες, να εκπαιδεύσουμε το μοντέλο Πρόβλεψης στα κορυφαία είδη πωλήσεων και να χειριστούμε τα είδη χαμηλότερων πωλήσεων ως γωνιακές θήκες.

Εμπλουτισμός δεδομένων και πρόσθετη επιλογή δεδομένων

Όταν θέλουμε να χρησιμοποιήσουμε πρόσθετα σύνολα δεδομένων για να βελτιώσουμε την απόδοση των αποτελεσμάτων πρόβλεψης, μπορούμε να βασιστούμε σύνολα δεδομένων χρονοσειρών και σύνολα δεδομένων μεταδεδομένων. Στον τομέα λιανικής, με βάση τη διαίσθηση και τις γνώσεις τομέα, χαρακτηριστικά όπως το απόθεμα, η τιμή, η προώθηση και οι χειμερινές ή καλοκαιρινές σεζόν θα μπορούσαν να εισαχθούν ως οι σχετικές χρονοσειρές. Ο απλούστερος τρόπος για να προσδιορίσετε τη χρησιμότητα των χαρακτηριστικών είναι μέσω της σημασίας των χαρακτηριστικών. Στο Forecast, αυτό γίνεται με ανάλυση επεξήγησης. Πρόβλεψη Επεξηγησιμότητα Predictor μας βοηθά να κατανοήσουμε καλύτερα πώς τα χαρακτηριστικά στα σύνολα δεδομένων επηρεάζουν τις προβλέψεις για τον στόχο. Η πρόβλεψη χρησιμοποιεί μια μέτρηση που ονομάζεται βαθμολογίες επιπτώσεων για να ποσοτικοποιήσει τη σχετική επίδραση κάθε χαρακτηριστικού και να καθορίσει εάν αυξάνουν ή μειώνουν τις τιμές πρόβλεψης. Εάν ένα ή περισσότερα χαρακτηριστικά έχουν μηδενική βαθμολογία αντίκτυπου, τότε αυτά τα χαρακτηριστικά δεν έχουν σημαντική επίδραση στις τιμές πρόβλεψης. Με αυτόν τον τρόπο, μπορούμε να αφαιρέσουμε γρήγορα τις λειτουργίες που έχουν μικρότερο αντίκτυπο και να προσθέσουμε τις πιθανές επαναληπτικά. Είναι σημαντικό να σημειωθεί ότι οι βαθμολογίες επιπτώσεων μετρούν τη σχετική επίδραση των χαρακτηριστικών, τα οποία κανονικοποιούνται μαζί με τις βαθμολογίες επιπτώσεων όλων των άλλων χαρακτηριστικών.

Όπως όλα τα έργα ML, η βελτίωση της ακρίβειας με πρόσθετες λειτουργίες απαιτεί επαναληπτικά πειράματα. Πρέπει να πειραματιστείτε με πολλαπλούς συνδυασμούς συνόλων δεδομένων, παρατηρώντας παράλληλα την επίδραση των σταδιακών αλλαγών στην ακρίβεια του μοντέλου. Μπορείτε να δοκιμάσετε να εκτελέσετε πολλά πειράματα Forecast μέσω της κονσόλας Forecast ή με Σημειωματάρια Python με Forecast API. Επιπλέον, μπορείτε να επιβιβαστείτε με AWS CloudFormation, που αναπτύσσει το AWS παρείχε έτοιμες λύσεις για περιπτώσεις κοινής χρήσης (για παράδειγμα, το Βελτίωση της ακρίβειας πρόβλεψης με τη λύση Machine Learning). Η πρόβλεψη διαχωρίζει αυτόματα το σύνολο δεδομένων και παράγει μετρήσεις ακρίβειας για την αξιολόγηση των προγνωστικών. Για περισσότερες πληροφορίες, βλ Αξιολόγηση της ακρίβειας των προβλέψεων. Αυτό βοηθά τους επιστήμονες δεδομένων να επαναλάβουν γρηγορότερα για να επιτύχουν το μοντέλο με την καλύτερη απόδοση.

Προηγμένη βελτίωση και χειρισμός γωνιακών θηκών

Αναφέραμε ότι οι αλγόριθμοι πρόβλεψης μπορούν να μάθουν την εποχικότητα, τις τάσεις και τα κυκλικά χαρακτηριστικά από τα δεδομένα. Για στοιχεία με αυτά τα χαρακτηριστικά και την κατάλληλη πυκνότητα και όγκο δεδομένων, μπορούμε να χρησιμοποιήσουμε την Πρόβλεψη για να δημιουργήσουμε εκτιμήσεις. Ωστόσο, όταν αντιμετωπίζουμε ογκώδη μοτίβα δεδομένων, ειδικά όταν ο όγκος δεδομένων είναι μικρός, μπορεί να χρειαστεί να τα χειριστούμε διαφορετικά, όπως με εμπειρική εκτίμηση που βασίζεται σε ένα σύνολο κανόνων.

Για πυκνά SKU, βελτιώνουμε περαιτέρω την ακρίβεια πρόβλεψης εκπαιδεύοντας τα μοντέλα με υποσύνολα παρόμοιας συμπεριφοράς του συνόλου δεδομένων χρονοσειρών. Οι στρατηγικές διαχωρισμού υποσυνόλων που χρησιμοποιήσαμε είναι η επιχειρηματική λογική, ο τύπος προϊόντος, η πυκνότητα δεδομένων και τα μοτίβα που μαθαίνονται από τον αλγόριθμο. Αφού δημιουργηθούν τα υποσύνολα, μπορούμε να εκπαιδεύσουμε πολλαπλά μοντέλα πρόβλεψης για τα διαφορετικά υποσύνολα. Για ένα τέτοιο παράδειγμα, ανατρέξτε στο Δεδομένα χρονοσειρών συμπλέγματος για χρήση με το Amazon Forecast.

Προς την παραγωγή: Ενημέρωση του συνόλου δεδομένων, παρακολούθηση και επανεκπαίδευση

Ας εξερευνήσουμε ένα παράδειγμα αρχιτεκτονικής με το Forecast, όπως φαίνεται στο παρακάτω διάγραμμα. Κάθε φορά που ένας τελικός χρήστης ενοποιεί ένα νέο σύνολο δεδομένων Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), ενεργοποιείται Λειτουργίες βημάτων AWS για την ενορχήστρωση διαφορετικών στοιχείων, συμπεριλαμβανομένης της δημιουργίας της εργασίας εισαγωγής δεδομένων, της δημιουργίας ενός αυτόματου προγνωστικού δείκτη και της δημιουργίας προβλέψεων. Αφού δημιουργηθούν τα αποτελέσματα των προβλέψεων, το βήμα Δημιουργία εξαγωγής πρόβλεψης τα εξάγει στο Amazon S3 για μεταγενέστερους καταναλωτές. Για περισσότερες πληροφορίες σχετικά με τον τρόπο παροχής αυτού του αυτοματοποιημένου αγωγού, ανατρέξτε στο Αυτοματοποίηση με το AWS CloudFormation. Χρησιμοποιεί μια στοίβα CloudFormation για να αναπτύξει αυτόματα σύνολα δεδομένων σε έναν κάδο S3 και να ενεργοποιήσει μια διοχέτευση Forecast. Μπορείτε να χρησιμοποιήσετε την ίδια στοίβα αυτοματισμού για να δημιουργήσετε προβλέψεις με τα δικά σας σύνολα δεδομένων.

Υπάρχουν δύο τρόποι για να ενσωματωθούν οι πρόσφατες τάσεις στο σύστημα πρόβλεψης: ενημέρωση δεδομένων ή επανεκπαίδευση του προγνωστικού.

Για να δημιουργήσετε την πρόβλεψη με ενημερωμένα δεδομένα που αντικατοπτρίζουν τις πρόσφατες τάσεις, πρέπει να ανεβάσετε το ενημερωμένο αρχείο δεδομένων εισόδου σε έναν κάδο S3 (τα ενημερωμένα δεδομένα εισόδου θα πρέπει να περιέχουν όλα τα υπάρχοντα δεδομένα σας). Το Forecast δεν εκπαιδεύει αυτόματα έναν προγνωστικό παράγοντα όταν εισάγετε ένα ενημερωμένο σύνολο δεδομένων. Μπορείς δημιουργούν προβλέψεις όπως κάνετε συνήθως. Το Forecast προβλέπει τον ορίζοντα πρόβλεψης ξεκινώντας από την τελευταία ημέρα στα ενημερωμένα δεδομένα εισόδου. Επομένως, οι πρόσφατες τάσεις ενσωματώνονται σε τυχόν νέα συμπεράσματα που παράγονται από το Forecast.

Ωστόσο, εάν θέλετε ο προγνωστικός σας να εκπαιδεύεται από τα νέα δεδομένα, πρέπει να δημιουργήσετε ένα νέο προγνωστικό. Ίσως χρειαστεί να εξετάσετε το ενδεχόμενο επανεκπαίδευσης του μοντέλου όταν αλλάζουν τα μοτίβα δεδομένων (εποχικότητα, τάσεις ή κύκλοι). Όπως αναφέρεται στο Παρακολουθήστε συνεχώς την ακρίβεια των προβλέψεων με το Amazon Forecast, η απόδοση ενός προγνωστικού δείκτη θα κυμανθεί με την πάροδο του χρόνου, λόγω παραγόντων όπως αλλαγές στο οικονομικό περιβάλλον ή στη συμπεριφορά των καταναλωτών. Επομένως, ο προγνωστικός παράγοντας μπορεί να χρειαστεί να επανεκπαιδευτεί ή μπορεί να χρειαστεί να δημιουργηθεί ένας νέος προγνωστικός παράγοντας για να διασφαλιστεί ότι θα συνεχίσουν να γίνονται προβλέψεις υψηλής ακρίβειας. Με τη βοήθεια του προγνωστική παρακολούθηση, Το Forecast μπορεί να παρακολουθεί την ποιότητα των προγνωστικών σας, επιτρέποντάς σας να μειώσετε τις επιχειρησιακές προσπάθειες, ενώ σας βοηθά να λάβετε πιο ενημερωμένες αποφάσεις σχετικά με τη διατήρηση, την επανεκπαίδευση ή την εκ νέου κατασκευή των προγνωστικών σας.

Συμπέρασμα

Το Amazon Forecast είναι μια υπηρεσία πρόβλεψης χρονοσειρών που βασίζεται σε ML και έχει σχεδιαστεί για ανάλυση επιχειρηματικών μετρήσεων. Μπορούμε να ενσωματώσουμε την πρόβλεψη της ζήτησης με υψηλή ακρίβεια, συνδυάζοντας ιστορικές πωλήσεις και άλλες σχετικές πληροφορίες, όπως απόθεμα, προσφορές ή σεζόν. Μέσα σε 8 εβδομάδες, βοηθήσαμε έναν από τους πελάτες λιανικής μας να επιτύχει ακριβή πρόβλεψη ζήτησης—βελτίωση 10% σε σύγκριση με τη μη αυτόματη πρόβλεψη. Αυτό οδηγεί σε άμεση εξοικονόμηση 16 ωρών εργασίας μηνιαίως και εκτιμώμενη αύξηση των πωλήσεων έως και 11.8%.

Αυτή η ανάρτηση κοινοποίησε κοινές πρακτικές για τη μεταφορά του έργου πρόβλεψής σας από την απόδειξη της ιδέας στην παραγωγή. Ξεκινήστε τώρα με Πρόβλεψη του Αμαζονίου για να επιτύχετε εξαιρετικά ακριβείς προβλέψεις για την επιχείρησή σας.

---

Σχετικά με τους Συγγραφείς

Γιανγουέι Κούι, PhD, είναι αρχιτέκτων λύσεων μηχανικής εκμάθησης μηχανών στο AWS. Ξεκίνησε την έρευνα μηχανικής μάθησης στο IRISA (Research Institute of Computer Science and Random Systems), και έχει αρκετά χρόνια εμπειρίας στην κατασκευή βιομηχανικών εφαρμογών με τεχνητή νοημοσύνη στην όραση υπολογιστών, την επεξεργασία φυσικής γλώσσας και την πρόβλεψη συμπεριφοράς των χρηστών στο διαδίκτυο. Στο AWS, μοιράζεται την τεχνογνωσία στον τομέα και βοηθά τους πελάτες να ξεκλειδώσουν τις επιχειρηματικές δυνατότητες και να οδηγήσουν σε αποτελεσματικά αποτελέσματα με μηχανική μάθηση σε κλίμακα. Εκτός εργασίας, του αρέσει να διαβάζει και να ταξιδεύει.

Γκόρντον Γουάνγκ είναι Senior Data Scientist στην ομάδα Professional Services στο Amazon Web Services. Υποστηρίζει πελάτες σε πολλούς κλάδους, συμπεριλαμβανομένων των μέσων ενημέρωσης, της μεταποίησης, της ενέργειας, του λιανικού εμπορίου και της υγειονομικής περίθαλψης. Είναι παθιασμένος με την όραση υπολογιστών, τη βαθιά μάθηση και τα MLOps. Στον ελεύθερο χρόνο του λατρεύει το τρέξιμο και την πεζοπορία.