Esta es una publicación de invitado en coautoría de Nafi Ahmet Turgut, Mutlu Polatcan, Pınar Baki, Mehmet İkbal Özmen, Hasan Burak Yel y Hamza Akyıldız de Getir.
traído es el pionero de la entrega ultrarrápida de comestibles. La compañía de tecnología ha revolucionado la entrega de última milla con su propuesta de entrega de "comestibles en minutos". Getir se fundó en 2015 y opera en Turquía, Reino Unido, Países Bajos, Alemania, Francia, España, Italia, Portugal y Estados Unidos. Hoy, Getir es un conglomerado que incorpora nueve verticales bajo la misma marca.
Predecir la demanda futura es una de las ideas más importantes para Getir y uno de los mayores desafíos a los que nos enfrentamos. Getir se basa en gran medida en pronósticos de demanda precisos a nivel de SKU cuando toma decisiones comerciales en una amplia gama de áreas, que incluyen marketing, producción, inventario y finanzas. Los pronósticos precisos son necesarios para respaldar las decisiones de retención y reabastecimiento de inventario. Tener una imagen clara y confiable de la demanda prevista para el día o la semana siguiente nos permite ajustar nuestra estrategia y aumentar nuestra capacidad para cumplir con los objetivos de ventas e ingresos.
usado Pronóstico del Amazonas, un servicio completamente administrado que utiliza algoritmos de aprendizaje automático (ML) para ofrecer pronósticos de series temporales de alta precisión, para aumentar los ingresos en un cuatro por ciento y reducir los costos de desperdicio en un 50 por ciento. En esta publicación, describimos cómo usamos Forecast para lograr estos beneficios. Describimos cómo construimos una tubería de pronóstico de demanda automatizada utilizando Forecast y orquestada por Funciones de paso de AWS para predecir la demanda diaria de SKU. Esta solución condujo a pronósticos altamente precisos para más de 10,000 XNUMX SKU en todos los países donde operamos y contribuyó significativamente a nuestra capacidad para desarrollar procesos de cadena de suministro internos altamente escalables.
Forecast automatiza gran parte del proceso de pronóstico de series temporales, lo que le permite concentrarse en preparar sus conjuntos de datos e interpretar sus predicciones.
Step Functions es un servicio completamente administrado que facilita la coordinación de los componentes de las aplicaciones distribuidas y los microservicios mediante flujos de trabajo visuales. La creación de aplicaciones a partir de componentes individuales, cada uno de los cuales realiza una función discreta, lo ayuda a escalar más fácilmente y cambiar las aplicaciones con mayor rapidez. Step Functions activa automáticamente y realiza un seguimiento de cada paso y lo vuelve a intentar cuando hay errores, por lo que su aplicación se ejecuta en orden y como se esperaba.
Resumen de la solución
Seis personas del equipo de ciencia de datos y del equipo de infraestructura de Getir trabajaron juntas en este proyecto. El proyecto se completó en 3 meses y se implementó en producción después de 2 meses de prueba.
El siguiente diagrama muestra la arquitectura de la solución.
El pipeline modelo se ejecuta por separado para cada país. La arquitectura incluye cuatro trabajos cron de Airflow que se ejecutan en un horario definido. La canalización comienza con la creación de funciones, que primero crea las funciones y las carga en Desplazamiento al rojo de Amazon. A continuación, un trabajo de procesamiento de funciones prepara las funciones diarias almacenadas en Amazon Redshift y descarga los datos de la serie temporal para Servicio de almacenamiento simple de Amazon (Amazon S3). Un segundo trabajo de Airflow es responsable de activar la canalización de pronóstico a través de Puente de eventos de Amazon. La canalización consta de funciones de Amazon Lambda, que crean predictores y pronósticos basados en parámetros almacenados en Amazon S3. Forecast lee datos de Amazon S3, entrena el modelo con optimización de hiperparámetros (HPO) para optimizar el rendimiento del modelo y produce predicciones futuras para las ventas de productos. Luego, se activa la tubería "WaitInProgress" de Step Functions para cada país, lo que permite la ejecución paralela de una tubería para cada país.
Selección de algoritmo
Amazon Forecast tiene seis algoritmos integrados (ARIMA, ETS, TNP, Profeta, DeepAR +, CNN-QR), que se agrupan en dos grupos: redes estadísticas y profundas/neuronales. Entre esos algoritmos, las redes profundas/neuronales son más adecuadas para los problemas de pronóstico de comercio electrónico, ya que aceptan funciones de metadatos de elementos, funciones prospectivas para campañas y actividades de marketing y, lo que es más importante, funciones de series temporales relacionadas. Los algoritmos de redes profundas/neuronales también funcionan muy bien en conjuntos de datos escasos y en escenarios de arranque en frío (introducción de nuevos elementos).
En general, en nuestros experimentos, observamos que los modelos de redes profundas/neuronales funcionaron significativamente mejor que los modelos estadísticos. Por lo tanto, centramos nuestras pruebas de inmersión profunda en DeepAR+ y CNN-QR.
Uno de los beneficios más importantes de Amazon Forecast es la escalabilidad y los resultados precisos para muchas combinaciones de productos y países. En nuestras pruebas, tanto los algoritmos DeepAR+ como CNN-QR tuvieron éxito en la captura de tendencias y estacionalidad, lo que nos permitió obtener resultados eficientes en productos cuya demanda cambia con mucha frecuencia.
Deep AutoRegressive Plus (DeepAR+) es un algoritmo de pronóstico univariante supervisado basado en redes neuronales recurrentes (RNN) creado por investigación amazónica. Sus principales ventajas son que es fácilmente escalable, capaz de incorporar covariables relevantes en los datos (como datos y metadatos relacionados) y capaz de pronosticar elementos de arranque en frío. En lugar de ajustar modelos separados para cada serie de tiempo, crea un modelo global a partir de series de tiempo relacionadas para manejar escalas muy variadas a través del cambio de escala y el muestreo basado en la velocidad. La arquitectura RNN incorpora probabilidad binomial para producir pronósticos probabilísticos y los autores de DeepAR: pronóstico probabilístico con redes recurrentes autorregresivas.
Finalmente seleccionamos el Amazon CNN-QR (Convolutional Neural Network – Quantile Regression) para nuestro pronóstico debido a su alto rendimiento en el proceso de backtest. CNN-QR es un algoritmo de aprendizaje automático patentado desarrollado por Amazon para pronosticar series de tiempo escalares (unidimensionales) utilizando redes neuronales convolucionales causales (CNN).
Como se mencionó anteriormente, CNN-QR puede emplear series temporales y metadatos relacionados sobre los elementos que se pronostican. Los metadatos deben incluir una entrada para todos los elementos únicos en la serie temporal objetivo, que en nuestro caso son los productos cuya demanda estamos pronosticando. Para mejorar la precisión, utilizamos metadatos de categoría y subcategoría, lo que ayudó al modelo a comprender la relación entre ciertos productos, incluidos los complementarios y los sustitutos. Por ejemplo, para bebidas, proporcionamos una bandera adicional para refrigerios ya que las dos categorías son complementarias entre sí.
Una ventaja significativa de CNN-QR es su capacidad para pronosticar sin series de tiempo futuras relacionadas, lo cual es importante cuando no puede proporcionar funciones relacionadas para la ventana de pronóstico. Esta capacidad, junto con la precisión de su pronóstico, significó que CNN-QR produjo los mejores resultados con nuestros datos y casos de uso.
Salida de pronóstico
Los pronósticos creados a través del sistema se escriben en depósitos S3 separados después de que se reciben por país. Luego, los pronósticos se escriben en Amazon Redshift según el SKU y el país con trabajos diarios. A continuación, llevamos a cabo una planificación diaria del stock de productos en función de nuestras previsiones.
De forma continua, calculamos las proporciones de error porcentual absoluto medio (MAPE) con datos basados en productos y optimizamos los procesos de ingestión de características y modelos.
Conclusión
En esta publicación, analizamos una canalización de pronóstico de demanda automatizada que creamos con Amazon Forecast y AWS Step Functions.
Con Amazon Forecast, mejoramos nuestro MAPE específico de cada país en un 10 %. Esto impulsó un aumento de los ingresos del cuatro por ciento y redujo nuestros costos de desechos en un 50 por ciento. Además, logramos una mejora del 80 por ciento en nuestros tiempos de capacitación en pronósticos diarios en términos de escalabilidad. Podemos pronosticar más de 10,000 XNUMX SKU diarios en todos los países a los que servimos.
Para obtener más información sobre cómo comenzar a crear sus propios canales con Forecast, consulte Recursos de previsión de Amazon. También puedes visitar Funciones de paso de AWS para obtener más información sobre cómo crear procesos automatizados y orquestar y crear canalizaciones de aprendizaje automático. ¡Feliz pronóstico y comience a mejorar su negocio hoy!
Acerca de los autores
Nafi Ahmet Turgut terminó su Maestría en Ingeniería Eléctrica y Electrónica y trabajó como investigador científico graduado. Su enfoque fue construir algoritmos de aprendizaje automático para simular anomalías de redes nerviosas. Se incorporó a Getir en 2019 y actualmente trabaja como Gerente Senior de Análisis y Ciencia de Datos. Su equipo es responsable de diseñar, implementar y mantener algoritmos de aprendizaje automático de extremo a extremo y soluciones basadas en datos para Getir.
Mutlu Polatcan es un ingeniero de datos del personal en Getir, especializado en el diseño y la creación de plataformas de datos nativas de la nube. Le encanta combinar proyectos de código abierto con servicios en la nube.
Pinar Baki recibió su Maestría en el Departamento de Ingeniería Informática de la Universidad de Boğaziçi. Trabajó como científica de datos en Arcelik, centrándose en modelos de recomendación de repuestos y análisis de edad, género y emociones a partir de datos de voz. Luego se unió a Getir en 2022 como científica de datos sénior trabajando en proyectos de pronóstico y motores de búsqueda.
Mehmet Ikbal Özmen recibió su maestría en economía y trabajó como asistente de investigación de posgrado. Su área de investigación fue principalmente modelos económicos de series de tiempo, simulaciones de Markov y pronósticos de recesión. Luego se unió a Getir en 2019 y actualmente trabaja como Data Science & Analytics Manager. Su equipo es responsable de los algoritmos de optimización y pronóstico para resolver los problemas complejos que experimentan los negocios de operación y cadena de suministro.
Hasan Burak Yel recibió su Licenciatura en Ingeniería Eléctrica y Electrónica en la Universidad de Boğaziçi. Trabajó en Turkcell, principalmente enfocado en el pronóstico de series de tiempo, visualización de datos y automatización de redes. Se incorporó a Getir en 2021 y actualmente trabaja como Lead Data Scientist con la responsabilidad de Motor de búsqueda y recomendación y Modelos de comportamiento del cliente.
Hamza Akyıldız recibió su Licenciatura en Matemáticas e Ingeniería Informática en la Universidad de Boğaziçi. Se enfoca en optimizar los algoritmos de aprendizaje automático con su trasfondo matemático. Se unió a Getir en 2021 y ha estado trabajando como científico de datos. Ha trabajado en proyectos relacionados con la Personalización y la Cadena de Suministro.
Esra Kayabali es arquitecto sénior de soluciones en AWS y se especializa en el dominio de análisis, incluido el almacenamiento de datos, los lagos de datos, el análisis de big data, la transmisión de datos por lotes y en tiempo real y la integración de datos. Tiene 12 años de experiencia en arquitectura y desarrollo de software. Le apasiona aprender y enseñar tecnologías en la nube.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/demand-forecasting-at-getir-built-with-amazon-forecast/
- :posee
- :es
- :dónde
- 000
- 10
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 50
- 7
- a
- capacidad
- Poder
- Nuestra Empresa
- Absoluto
- Aceptar
- la exactitud
- preciso
- Lograr
- alcanzado
- a través de
- actividades
- adición
- Adicionales
- Ventaja
- ventajas
- Después
- edad
- algoritmo
- algoritmos
- Todos
- Permitir
- permite
- a lo largo de
- también
- Amazon
- Pronóstico del Amazonas
- Desplazamiento al rojo de Amazon
- Amazon Web Services
- entre
- an
- análisis
- Analytics
- y
- e infraestructura
- Aplicación
- aplicaciones
- arquitectura
- somos
- Reservada
- áreas
- AS
- Legal
- At
- Autorzy
- Confirmación de Viaje
- automatiza
- automáticamente
- Automatización
- AWS
- Funciones de paso de AWS
- fondo
- Backtest
- basado
- base
- esto
- "Ser"
- beneficios
- MEJOR
- mejores
- entre
- Big
- Big Data
- Mayor
- ambas
- marca
- Traído
- build
- Construir la
- construido
- incorporado
- negocios
- by
- calcular
- Campaña
- PUEDEN
- Capturando
- llevar
- case
- categoría
- Categoría
- a ciertos
- cadena
- retos
- el cambio
- Cambios
- limpiar
- Soluciones
- servicios en la nube
- combinaciones
- combinar
- compañía
- complementario
- Completado
- integraciones
- componentes
- computadora
- Ingeniería Informática
- conglomerado
- contribuido
- coordinar
- Cost
- Precio
- países
- país
- específico del país
- Para crear
- creado
- crea
- creación
- En la actualidad
- cliente
- comportamiento del cliente
- todos los días
- datos
- Data Analytics
- Ciencia de los datos
- científico de datos
- conjunto de datos
- Visualización de datos
- basada en datos
- conjuntos de datos
- día
- decisiones
- se define
- Grado
- entregamos
- entrega
- Demanda
- Previsión de la demanda
- Departamento
- desplegado
- describir
- diseño
- desarrollar
- desarrollado
- Desarrollo
- distribuidos
- dominio
- impulsados
- dos
- comercio electrónico
- cada una
- más fácil
- pasan fácilmente
- Economic
- Ciencias económicas
- eficiente
- Electrónica
- permite
- permitiendo
- de extremo a extremo
- Motor
- ingeniero
- Ingeniería
- entrada
- error
- Errores
- ejemplo
- Ejecuta
- ejecución
- esperado
- experience
- experimentado
- Cara
- Feature
- Caracteristicas
- financiar
- Nombre
- adecuado
- Focus
- centrado
- se centra
- enfoque
- siguiendo
- Pronóstico
- previsiones
- Mirando hacia adelante
- Fundado
- Digital XNUMXk
- Francia
- frecuentemente
- Desde
- completamente
- función
- funciones
- futuras
- Género
- Alemania
- obtener
- Buscar
- Goals
- graduados
- Grupo
- Invitad@s
- Guest Post
- encargarse de
- Ahorrar
- es
- he
- fuertemente
- ayudado
- ayuda
- aquí
- Alta
- altamente
- su
- tenencia
- Cómo
- Como Hacer
- HTML
- HTTPS
- Optimización de hiperparámetros
- implementación
- importante
- mejorar
- mejorado
- es la mejora continua
- la mejora de
- in
- incluir
- incluye
- Incluye
- incorporar
- incorporando
- aumente
- INSTRUMENTO individual
- información
- EN LA MINA
- Insights
- integración
- interno
- dentro
- Introducción
- inventario
- IT
- Italia
- artículos
- SUS
- Trabajos
- Empleo
- se unió a
- jpg
- Lead
- aprendizaje
- LED
- Nivel
- como
- cargas
- ama
- máquina
- máquina de aprendizaje
- Inicio
- principalmente
- Mantener los
- HACE
- Realizar
- gestionado
- gerente
- muchos
- Marketing
- Máster
- matemático
- matemáticas
- personalizado
- significó
- Conoce a
- mencionado
- metadatos
- métodos
- microservicios
- ML
- modelo
- modelos
- meses
- más,
- MEJOR DE TU
- mucho más
- debe
- necesario
- Países Bajos
- del sistema,
- telecomunicaciones
- red neural
- redes neuronales
- Nuevo
- Next
- obtener
- of
- on
- ONE
- en marcha
- de código abierto
- funcionar
- opera
- Inteligente
- optimización
- Optimización
- optimizando
- or
- orquestado
- solicite
- Otro
- nuestros
- salir
- contorno
- Superar
- Más de
- EL DESARROLLADOR
- Paralelo
- parámetros
- apasionado
- Personas
- por ciento
- porcentaje
- Realizar
- actuación
- personalización
- imagen
- pionero
- industrial
- planificar
- Plataformas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- más
- Portugal
- Publicación
- predecir
- previsto
- Predicciones
- Prepara
- preparación
- previamente
- problemas
- en costes
- tratamiento
- producir
- producido
- Producto
- Producción
- Productos
- proyecto
- proyecta
- valor.
- propietario
- proporcionar
- con rapidez
- distancia
- en tiempo real
- datos en tiempo real
- recibido
- recesión
- Recomendación
- reducir
- reducir gasto
- relacionado
- relación
- confianza
- la investigación
- responsabilidad
- responsable
- Resultados
- ingresos
- revolucionado
- correr
- ventas
- mismo
- Escalabilidad
- escalable
- Escala
- escamas
- escenarios
- programa
- Ciencia:
- Científico
- Buscar
- motor de búsqueda
- Segundo
- ver
- seleccionado
- mayor
- separado
- Serie
- ayudar
- de coches
- Servicios
- set
- ella
- Shows
- importante
- significativamente
- sencillos
- desde
- SEIS
- bocadillos
- So
- Software
- Desarrollo de software ad-hoc
- a medida
- Soluciones
- RESOLVER
- España
- especializada
- habla
- Staff
- comienzo
- fundó
- comienza
- Zonas
- estadístico
- paso
- en stock
- STORAGE
- almacenados
- Estrategia
- en streaming
- comercial
- tal
- adecuado
- suministro
- cadena de suministro
- Apoyar
- te
- Target
- Educación
- equipo
- tecnología
- Empresa de tecnología
- Tecnologías
- términos
- Pruebas
- que
- esa
- La
- Países Bajos
- el Reino Unido
- su
- Les
- luego
- Ahí.
- por lo tanto
- Estas
- ellos
- así
- aquellos
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- Series de tiempo
- veces
- a
- hoy
- juntos
- tradicional
- Formación
- trenes
- Tendencias
- desencadenados
- desencadenando
- Turquía
- dos
- Uk
- Finalmente, a veces
- bajo
- entender
- único
- United
- Estados Unidos
- universidad
- us
- utilizan el
- caso de uso
- usado
- usando
- verticales
- muy
- vía
- Visite
- visualización
- caminado
- fue
- Residuos
- we
- web
- servicios web
- semana
- WELL
- cuando
- que
- cuyo
- amplio
- Amplia gama
- sin
- trabajado
- flujos de trabajo
- trabajando
- funciona
- escrito
- años
- Usted
- tú
- zephyrnet