Looge Amazon Forecasti abil külmkäivituse prognoose toodete jaoks, millel puuduvad ajaloolised andmed, mis on nüüd kuni 45% täpsemad

Nüüd Amazoni prognoos, saate ajalooliste andmeteta toodete jaoks luua kuni 45% täpsemaid prognoose. Prognoos on hallatav teenus, mis kasutab masinõpet (ML) täpsete nõudlusprognooside loomiseks, ilma et oleks vaja ML-i kogemust. Täpne prognoosimine on varude optimeerimise, logistika planeerimise ja tööjõuhalduse alus ning võimaldab ettevõtetel olla paremini ette valmistatud oma klientide teenindamiseks. Külma alguse ennustamine on tavaline väljakutse, mille puhul on vaja koostada prognoos, kuid toote ajaloolised andmed puuduvad. See on tüüpiline sellistes tööstusharudes nagu jaemüük, tootmine või pakendatud tarbekaubad, kus toimub kiire uute toodete turuletoomine, uute toodete turule toomine, kaubamärkide või kataloogide esmakordne kasutuselevõtt või toodete ristmüümine uutesse piirkondadesse. Selle käivitamisega täiustasime olemasolevat külmkäivituse prognoosimise lähenemisviisi ja pakume nüüd kuni 45% täpsemaid prognoose.

Külmkäivituse prognoosimudeli väljatöötamine võib olla keeruline, kuna traditsioonilised statistilised prognoosimismeetodid, nagu autoregressiivne integreeritud liikuv keskmine (ARIMA) või eksponentsiaalne silumine, on üles ehitatud kontseptsioonile, mille kohaselt saab toote ajaloolisi andmeid kasutada selle tulevaste väärtuste ennustamiseks. Kuid ilma ajalooliste andmeteta ei saa mudeli parameetreid arvutada ja seega ei saa mudelit koostada. Prognoosil oli juba võimalus luua külmkäivitustoodete prognoose patenteeritud toodete abil närvivõrgu algoritmid nagu DeepAR+ ja CNN-QR. Need mudelid õpivad toodete vahelisi seoseid ja saavad luua prognoose toodete kohta, millel puuduvad ajaloolised andmed. Kauba metaandmete kasutamine nende seoste loomiseks oli kaudne, mis tähendas, et võrgud ei suutnud külmkäivitustoodete trendiomadusi täielikult ekstrapoleerida.

Täna tõime turule uue lähenemise külmkäivituse prognoosimiseks, mis on senisest kuni 45% täpsem. See lähenemisviis parandab meie kaupade metaandmete käsitlemist, mille kaudu tuvastame teie andmekogus selgesõnalised tooted, millel on külmkäivitustoodetega kõige sarnasemad omadused. Keskendudes sellele sarnaste toodete alamhulgale, saame paremini teada trende, et koostada külmkäivitustoote prognoos. Näiteks soovib moemüüja, kes tutvustab uut T-särgisarja, prognoosida nõudlust selle tootesarja järele, et optimeerida kaupluse laoseisu. Saate esitada Forecastile ajaloolisi andmeid teiste oma kataloogis olevate toodete kohta, nagu olemasolevad T-särgid, jakid, püksid ja kingad, samuti kaupade metaandmeid, nagu brändinimi, värv, suurus ja tootekategooria nii uute kui ka olemasolevate kohta. tooted. Nende metaandmete abil tuvastab Forecast automaatselt tooted, mis on uue T-särgisarjaga kõige tihedamalt seotud, ja kasutab neid T-särgisarja prognooside koostamiseks.

See funktsioon on saadaval kõigis piirkondades, kus prognoos on avalikult saadaval AWS-i juhtimiskonsool või AutoPredictor API. Lisateavet piirkonna saadavuse kohta vt AWS piirkondlikud teenused. Prognoosi kasutamise alustamiseks külmkäivituse prognoosimiseks vaadake jaotist Prognooside loomine või GitHubi märkmik.

Lahenduse ülevaade

Selles postituses olevad sammud näitavad, kuidas kasutada Prognoosi külmkäivituse prognoosimiseks AWS-i juhtimiskonsool. Tutvustame näidet jaemüüjast, kes koostab äsja turule toodud toote jaoks laonõudluse prognoosi, järgides rakenduses Prognoos kolme sammu: teie andmete importimine, ennustaja koolitamine ja prognoosi koostamine. Forecast API otse kasutamiseks külmkäivituse prognoosimiseks järgige meie märkmikku GitHub repo, mis annab analoogse demonstratsiooni.

Importige oma treeningandmed

Uue külmkäivitusprognoosimeetodi kasutamiseks peate importima kaks CSV-faili: üks fail sisaldab sihtaegrea andmeid (näitab prognoosimise sihtmärki) ja teine ​​​​fail, mis sisaldab kauba metaandmeid (näitab toote omadusi, nagu suurus või värv). Prognoos tuvastab külmkäivitustoodetena need tooted, mis on olemas üksuse metaandmete failis, kuid mida ei ole siht-aegrea failis.

Külmkäivitustoote õigeks tuvastamiseks veenduge, et külmkäivitustoote kauba ID on sisestatud kauba metaandmete faili reale ja et see ei sisalduks siht-aegrea failis. Mitme külmkäivitustoote puhul sisestage iga tooteüksuse ID kauba metaandmete faili eraldi reale. Kui teil pole külmkäivitustootele veel üksuse ID-d, võite kasutada mis tahes tähtede ja numbrite kombinatsiooni, mis on vähem kui 64 tähemärki ja mis ei esinda juba teist teie andmestiku toodet.

Meie näites sisaldab siht-aegrea fail tooteartikli ID-d, ajatemplit ja nõudlust (varusid) ning kauba metaandmete fail tooteartikli ID-d, värvi, tootekategooriat ja asukohta.

Andmete importimiseks toimige järgmiselt.

1. Valige prognoosikonsoolil Kuva andmekogumi rühmad.

2. Vali Loo andmestikurühm.

3. eest Andmestikurühma nimi, sisestage andmestiku nimi (selle postituse jaoks minu_ettevõtte_shoe_inventory).
4. Prognoosimisdomeeni jaoks valige prognoosimise domeen (selle postituse jaoks Jaemüük).
5. Valige Järgmine.

6. Sisestage lehel Siht-aegridade andmestiku loomine andmestiku nimi, andmete sagedus ja andmeskeem.
7. Esitage andmestiku impordi üksikasjad.
8. Valige Start.

Järgmine ekraanipilt näitab meie näite jaoks täidetud siht-aegrea lehe teavet.

Teid suunatakse armatuurlauale, mida saate edenemise jälgimiseks kasutada.

1. Üksuse metaandmete faili importimiseks valige armatuurlaual Import.

2. Kohta Looge üksuse metaandmete andmekogum lehele, sisestage andmestiku nimi ja andmeskeem.
3. Esitage andmestiku impordi üksikasjad.
4. Vali Avaleht.

Järgmine ekraanipilt näitab meie näite jaoks täidetud teavet.

Treeni ennustajat

Järgmisena koolitame ennustajat.

1. Valige armatuurlaual Rongi ennustaja.

2. Kohta Rongi ennustaja lehele, sisestage oma ennustaja nimi, kui kaua tulevikus soovite prognoosi teha ja mis sagedusega ning kvantiilide arv, mille kohta soovite prognoosi teha.
3. Võimaldama Automaatne ennustaja. See on vajalik külmkäivituse prognoosimiseks.
4. Vali Looma.

Järgmine ekraanipilt näitab meie näite jaoks täidetud teavet.

Koostage prognoos

Pärast seda, kui meie ennustaja on koolitatud (selleks võib kuluda ligikaudu 2.5 tundi), koostame prognoosi äsja turule tulnud toote kohta. Saate teada, et teie ennustaja on koolitatud, kui näete Vaata ennustajaid nuppu oma armatuurlaual.

1. Vali Koostage prognoos armatuurlaual.

2. Kohta Koostage prognoos lehele, sisestage prognoosi nimi, valige enda loodud ennustaja ning määrake prognoosikvantiilid (valikuline) ja üksused, mille jaoks prognoos luuakse.
3. Vali Avaleht.

Eksportige oma prognoosid

Pärast prognoosi loomist saate andmed eksportida CSV-vormingusse. Saate teada, et teie prognoos luuakse, kui näete, et olek on aktiivne.

1. Vali Loo prognoosi eksport.

2. Sisestage ekspordifaili nimi (selle postituse jaoks my_cold_start_forecast_export).
3. eest Ekspordi asukoht, täpsustage Amazoni lihtne salvestusteenus (Amazon S3) asukoht.
4. Vali Avaleht.

5. Ekspordi allalaadimiseks liikuge konsoolist S3 faili tee asukohta, seejärel valige fail ja valige Lae.

Ekspordifail sisaldab ajatemplit, üksuse ID-d, üksuse metaandmeid ja iga valitud kvantiili prognoose.

Vaadake oma prognoose

Pärast prognoosi loomist saate konsoolil vaadata uute toodete prognoose graafiliselt.

1. Vali Päringu prognoos armatuurlaual.

2. Valige eelmises etapis loodud prognoosi nimi (meie näites minu_külm_alguse_prognoos).
3. Sisestage algus- ja lõppkuupäev, mille jooksul soovite prognoosi vaadata.
4. Lisage prognoosivõtme üksuse ID väljale oma külmkäivitustoote kordumatu ID.
5. Valis Hangi prognoos.

Joonisel näete iga valitud kvantiili prognoosi.

Järeldus

Prognoosiga saate samasuguse prognoosimise ülevaate külmkäivitustoodete kohta ilma ajalooliste andmeteta, mis on nüüd kuni 45% täpsemad kui varem. Prognoosiga külmkäivitusprognooside loomiseks avage Forecasti konsool ja järgige selles postituses kirjeldatud samme või vaadake meie GitHubi märkmik kuidas pääseda ligi API kaudu. Lisateabe saamiseks vaadake Prognooside loomine.

---

Autoritest

Brandon Nair on Amazon Forecasti vanemtootejuht. Tema erialane huvi seisneb skaleeritavate masinõppeteenuste ja rakenduste loomises. Väljaspool tööd võib teda leida rahvusparke avastamas, golfimängu täiustamas või seiklusreisi planeerimas.

Manas Dadarkar on tarkvaraarenduse juht, kellele kuulub teenuse Amazon Forecast projekteerimine. Ta on kirglik masinõppe rakenduste vastu ja ML-tehnoloogiate kõigile hõlpsasti kättesaadavaks tegemise vastu, mida nad saaksid kasutusele võtta ja tootmises kasutusele võtta. Väljaspool tööd on tal mitmeid huvisid, sealhulgas reisimine, lugemine ning sõprade ja perega aja veetmine.

Bharat Nandamuri on vanem tarkvarainsener, kes töötab Amazon Forecasti kallal. Ta on kirglik suuremahuliste taustateenuste loomise vastu, keskendudes ML-süsteemide projekteerimisele. Töövälisel ajal meeldib talle malet mängida, matkata ja filme vaadata.

Gaurav Gupta on AWS AI laborite ja Amazon Forecasti rakendusteadlane. Tema uurimisvaldkonnad on järjestikuste andmete masinõppes, osadiferentsiaalvõrrandite operaatoriõppes, lainelistes. Enne AWS-iga liitumist lõpetas ta doktorikraadi Lõuna-California ülikoolis.