Genere pronósticos de arranque en frío para productos sin datos históricos con Amazon Forecast, ahora hasta un 45 % más precisos

Ahora con Pronóstico del Amazonas, puede generar pronósticos hasta un 45 % más precisos para productos sin datos históricos. Forecast es un servicio administrado que utiliza aprendizaje automático (ML) para generar pronósticos de demanda precisos, sin necesidad de experiencia en ML. La previsión precisa es la base para la optimización del inventario, la planificación logística y la gestión de la fuerza laboral, y permite que las empresas estén mejor preparadas para servir a sus clientes. Pronóstico de arranque en frío es un desafío común donde existe la necesidad de generar un pronóstico pero no hay datos históricos para el producto. Esto es típico en industrias como la venta al por menor, la fabricación o los bienes de consumo empaquetados, donde hay introducciones rápidas de nuevos productos mediante la comercialización de productos recién desarrollados, la incorporación de marcas o catálogos por primera vez, o la venta cruzada de productos en nuevas regiones. Con este lanzamiento, mejoramos nuestro enfoque existente para el pronóstico de arranque en frío y ahora brindamos pronósticos que son hasta un 45 % más precisos.

Puede ser un desafío desarrollar un modelo de pronóstico de arranque en frío porque los métodos de pronóstico estadístico tradicionales, como el promedio móvil integrado autorregresivo (ARIMA) o el suavizado exponencial, se crean utilizando el concepto de que los datos históricos de un producto se pueden usar para predecir sus valores futuros. Pero, sin datos históricos, los parámetros del modelo no se pueden calcular y, por lo tanto, el modelo no se puede construir. Forecast ya tenía la capacidad de generar pronósticos para productos de arranque en frío utilizando algoritmos de redes neuronales como DeepAR+ y CNN-QR. Estos modelos aprenden relaciones entre productos y pueden generar pronósticos para productos sin datos históricos. El uso de metadatos de elementos para establecer estas relaciones estaba implícito, lo que significaba que las redes no podían extrapolar por completo las características de tendencia para los productos de arranque en frío.

Hoy, lanzamos un nuevo enfoque para el pronóstico de arranque en frío que es hasta un 45 % más preciso que antes. Este enfoque mejora nuestro tratamiento de los metadatos de los artículos a través del cual identificamos productos explícitos dentro de su conjunto de datos que tienen las características más similares a los productos de arranque en frío. Al centrarnos en este subconjunto de productos similares, podemos aprender mejor las tendencias para generar un pronóstico para el producto de arranque en frío. Por ejemplo, un minorista de moda que presenta una nueva línea de camisetas querrá pronosticar la demanda de esa línea para optimizar el inventario de la tienda. Puede proporcionar a Forecast datos históricos para otros productos en su catálogo, como líneas de camisetas, chaquetas, pantalones y zapatos existentes, así como metadatos de artículos, como nombre de marca, color, tamaño y categoría de producto, tanto para productos nuevos como existentes. productos Con estos metadatos, Forecast detecta automáticamente los productos que están más estrechamente relacionados con la nueva línea de camisetas y los utiliza para generar pronósticos para la línea de camisetas.

Esta función está disponible en todas las regiones donde Forecast está disponible públicamente a través de Consola de administración de AWS o de API de predicción automática. Para obtener más información sobre la disponibilidad de regiones, consulte Servicios regionales de AWS. Para comenzar a usar Forecast para el pronóstico de arranque en frío, consulte Generación de pronósticos o de Cuaderno de GitHub.

Resumen de la solución

Los pasos en esta publicación demuestran cómo usar Forecast para el pronóstico de arranque en frío en el Consola de administración de AWS. Recorremos un ejemplo de un minorista que genera un pronóstico de demanda de inventario para un producto recién lanzado siguiendo los tres pasos en Pronóstico: importar sus datos, entrenar un predictor y crear un pronóstico. Para usar directamente la API de pronóstico para el pronóstico de arranque en frío, siga el cuaderno en nuestro Repositorio GitHub, que proporciona una demostración análoga.

Importa tus datos de entrenamiento

Para usar el nuevo método de pronóstico de inicio en frío, debe importar dos archivos CSV: un archivo que contiene los datos de la serie temporal objetivo (que muestra el objetivo de predicción) y otro archivo que contiene los metadatos del artículo (que muestra las características del producto, como el tamaño o el color). Forecast identifica los productos de inicio en frío como aquellos productos que están presentes en el archivo de metadatos del elemento pero que no están presentes en el archivo de serie temporal de destino.

Para identificar correctamente su producto de inicio en frío, asegúrese de que el ID del artículo de su producto de inicio en frío se ingrese como una fila en el archivo de metadatos del artículo y que no esté contenido en el archivo de serie temporal de destino. Para múltiples productos de arranque en frío, ingrese cada ID de artículo de producto como una fila separada en el archivo de metadatos del artículo. Si aún no tiene una identificación de artículo para su producto de arranque en frío, puede usar cualquier combinación alfanumérica de menos de 64 caracteres que aún no sea representativa de otro producto en su conjunto de datos.

En nuestro ejemplo, el archivo de serie temporal de destino contiene el ID del artículo del producto, la marca de tiempo y la demanda (inventario), y el archivo de metadatos del artículo contiene el ID del artículo del producto, el color, la categoría del producto y la ubicación.

Para importar sus datos, complete los siguientes pasos:

1. En la consola de Previsión, elija Ver grupos de conjuntos de datos.

2. Elige Crear grupo de conjunto de datos.

3. Nombre del grupo de conjunto de datos, ingrese un nombre de conjunto de datos (para esta publicación, my_company_shoe_inventory).
4. Para Dominio de pronóstico, elija un dominio de pronóstico (para esta publicación, Minorista).
5. Elija Siguiente

6. En la página Crear conjunto de datos de serie temporal de destino, proporcione el nombre del conjunto de datos, la frecuencia de sus datos y el esquema de datos.
7. Proporcione los detalles de importación del conjunto de datos.
8. Elija Inicio.

La siguiente captura de pantalla muestra la información de la página de la serie temporal objetivo completada para nuestro ejemplo.

Se le redirigirá al panel que puede usar para realizar un seguimiento del progreso.

1. Para importar el archivo de metadatos del elemento, en el tablero, seleccione Importa.

2. En Crear conjunto de datos de metadatos de elementos página, proporcione el nombre del conjunto de datos y el esquema de datos.
3. Proporcione los detalles de importación del conjunto de datos.
4. Elige Inicio.

La siguiente captura de pantalla muestra la información completada para nuestro ejemplo.

Entrenar a un predictor

A continuación, entrenamos un predictor.

1. En el tablero, elija Predictor de trenes.

2. En Predictor de trenes página, ingrese un nombre para su predictor, cuánto tiempo en el futuro desea pronosticar y con qué frecuencia, y la cantidad de cuantiles para los que desea pronosticar.
3. permitir Predictor automático. Esto es necesario para la previsión de arranque en frío.
4. Elige Crear.

La siguiente captura de pantalla muestra la información completada para nuestro ejemplo.

Crea un pronóstico

Después de entrenar nuestro predictor (esto puede llevar aproximadamente 2.5 horas), creamos un pronóstico para el producto recién lanzado. Sabrá que su predictor está entrenado cuando vea el Ver predictores botón en su tablero.

1. Elige Crea un pronóstico en el tablero.

2. En Crea un pronóstico página, ingrese un nombre de pronóstico, elija el predictor que creó y especifique los cuantiles de pronóstico (opcional) y los elementos para generar un pronóstico.
3. Elige Inicio.

Exporte sus previsiones

Después de crear su pronóstico, puede exportar los datos a CSV. Sabrá que su pronóstico se crea cuando vea que el estado está activo.

1. Elige Crear exportación de previsión.

2. Ingrese el nombre del archivo de exportación (para esta publicación, my_cold_start_forecast_export).
3. Exportar ubicación, especifica el Servicio de almacenamiento simple de Amazon (Amazon S3) ubicación.
4. Elige Inicio.

5. Para descargar la exportación, navegue hasta la ubicación de la ruta del archivo S3 desde la consola, luego seleccione el archivo y elija Descargar.

El archivo de exportación contiene la marca de tiempo, el ID del artículo, los metadatos del artículo y las previsiones para cada cuantil seleccionado.

Ver sus previsiones

Después de crear su pronóstico, puede ver los pronósticos de los nuevos productos gráficamente en la consola.

1. Elige Previsión de consulta en el tablero.

2. Elija el nombre del pronóstico creado en el paso anterior (my_cold_start_forecast en nuestro ejemplo).
3. Ingrese la fecha de inicio y la fecha de finalización en la que desea ver su pronóstico.
4. En el campo de ID de artículo para la clave de pronóstico, agregue la ID única de su producto de arranque en frío.
5. Elija Obtener pronóstico.

En la figura, verá el pronóstico para cualquier cuantil seleccionado.

Conclusión

Con Forecast, puede obtener los mismos conocimientos de pronóstico para productos de arranque en frío sin datos históricos, ahora hasta un 45 % más precisos que antes. Para generar pronósticos de arranque en frío con Forecast, abra la consola Forecast y siga los pasos descritos en esta publicación, o consulte nuestro Cuaderno de GitHub sobre cómo acceder a la funcionalidad a través de la API. Para obtener más información, consulte Generación de pronósticos.

---

Sobre los autores

brandon nair es gerente sénior de productos para Amazon Forecast. Su interés profesional radica en la creación de servicios y aplicaciones de aprendizaje automático escalables. Fuera del trabajo, se le puede encontrar explorando parques nacionales, perfeccionando su swing de golf o planeando un viaje de aventura.

Manas Dadarkar es un gerente de desarrollo de software que posee la ingeniería del servicio Amazon Forecast. Le apasionan las aplicaciones de aprendizaje automático y hacer que las tecnologías ML estén fácilmente disponibles para que todos las adopten e implementen en producción. Fuera del trabajo, tiene múltiples intereses, como viajar, leer y pasar tiempo con amigos y familiares.

Bharat Nandamuri es un ingeniero de software sénior que trabaja en Amazon Forecast. Le apasiona crear servicios de back-end de gran escala con un enfoque en ingeniería para sistemas ML. Fuera del trabajo, le gusta jugar al ajedrez, hacer caminatas y ver películas.

Gaurav Gupta es científico aplicado en los laboratorios de IA de AWS y en Amazon Forecast. Sus intereses de investigación se encuentran en el aprendizaje de máquinas para datos secuenciales, aprendizaje de operadores para ecuaciones diferenciales parciales, wavelets. Completó su doctorado en la Universidad del Sur de California antes de unirse a AWS.