Amazon Forecasti rakendamine jaekaubanduses: teekond POC-st tootmiseni

Amazoni prognoos on täielikult hallatav teenus, mis kasutab väga täpsete aegridade prognooside esitamiseks statistilisi ja masinõppe (ML) algoritme. Hiljuti aitasime Amazon Forecasti põhjal ühel meie jaemüügikliendil saavutada 8 nädala jooksul täpse nõudluse prognoosi. Lahendus parandas manuaalset prognoosi keskmiselt 10% võrra WAPE meetriline. See toob kaasa otsese kokkuhoiu 16 töötundi kuus. Lisaks hindasime, et õige kaubaartikli täitmisel võib müük kasvada kuni 11.8%. Selles postituses tutvustame jaekaubanduse väljakutsetele keskendunud Amazon Forecastiga nõudluse prognoosimise süsteemi töövoogu ja kriitilisi elemente – alates kontseptsiooni tõestamisest (POC) kuni tootmiseni.

Nõudluse prognoosimise taust ja praegused väljakutsed jaekaubanduses

Nõudluse prognoosimise eesmärk on hinnata tulevast nõudlust ajalooliste andmete põhjal ning aidata kaupluste täiendamist ja võimsuse jaotamist. Nõudluse prognoosimise abil saavad jaemüüjad nõudluse rahuldamiseks paigutada oma võrgu igasse asukohta õige koguse laoseisu. Seetõttu võib täpne prognoosimissüsteem erinevate ärifunktsioonide puhul tuua kaasa palju eeliseid, näiteks:

• Müügi suurendamine toodete parema kättesaadavuse tõttu ja kauplustevahelise ülekandejäätmete vähendamine
• Usaldusväärsema ülevaate pakkumine, et parandada võimsuse kasutamist ja ennetavalt vältida võimsuse varustamise kitsaskohti
• Varude ja tootmiskulude minimeerimine ning varude käibe parandamine
• Üldise parema kliendikogemuse pakkumine

ML-tehnikad näitavad suurt väärtust, kui olemas on suur hulk kvaliteetseid andmeid. Tänapäeval on enamiku jaemüüjate jaoks endiselt levinud kogemuspõhine täiendamise juhtimine või nõudluse prognoos. Kliendikogemuse parandamise eesmärgil on üha enam jaemüüjaid valmis asendama kogemuspõhise nõudluse prognoosimise süsteemid ML-põhiste prognoosidega. Siiski seisavad jaemüüjad silmitsi mitmete väljakutsetega ML-põhiste nõudluse prognoosimissüsteemide tootmises juurutamisel. Me võtame erinevad väljakutsed kokku kolme kategooriasse: andmeprobleemid, ML väljakutsed ja tegevusprobleemid.

Andmeprobleemid

Suur hulk puhtaid ja kvaliteetseid andmeid on täpsete ML-põhiste prognooside põhinõue. Kvaliteediandmeid, sealhulgas ajaloolisi müüke ja müügiga seotud andmeid (nt laoseisud, kaubahinnad ja pakkumised), tuleb koguda ja koondada. Mitmest ressursist pärit andmete mitmekesisus nõuab andmehoidlate ühendamiseks kaasaegset andmeplatvormi. Lisaks on sagedaste ja täpsete nõudluse prognooside jaoks vajalik õigeaegne juurdepääs andmetele.

ML väljakutsed

Täiustatud ML-algoritmide väljatöötamine nõuab teadmisi. Õige probleemi jaoks õigete algoritmide rakendamine nõuab nii põhjalikke teadmisi kui ka ML-pädevusi. Lisaks nõuab suurtest saadaolevatest andmekogumitest õppimine skaleeritavat ML-infrastruktuuri. Veelgi enam, ML-algoritmide säilitamine tootmises nõuab ML-i pädevusi, et analüüsida mudeli halvenemise algpõhjust ja mudelit õigesti ümber õpetada.

Praktiliste äriprobleemide lahendamiseks on täpsete prognooside koostamine vaid osa loost. Otsustajad vajavad tõenäosusprognoose erinevatel kvantilidel, et teha olulisi kliendikogemuse ja finantstulemuste kompromissi otsuseid. Samuti peavad nad selgitama ennustusi sidusrühmadele ja tegema mis-kui-analüüse, et uurida, kuidas erinevad stsenaariumid võivad prognoositulemusi mõjutada.

Operatiivsed väljakutsed

Kolmas peamine väljakutse on kulutasuva prognoosisüsteemi säilitamiseks tehtavate jõupingutuste vähendamine. Nõudluse prognoosimise tavalise stsenaariumi korral on igal üksusel igas asukohas oma prognoos. Vaja on süsteemi, mis suudab igal ajal hallata sadu tuhandeid prognoose. Lisaks peavad ärilised lõppkasutajad prognoosimissüsteemi integreerima olemasolevatesse allavoolusüsteemidesse, näiteks olemasolevatesse tarneahela haldusplatvormidesse, et nad saaksid kasutada ML-põhiseid süsteeme olemasolevaid tööriistu ja protsesse muutmata.

Need väljakutsed on eriti teravad, kui ettevõtted on suured, dünaamilised ja kasvavad. Nende väljakutsetega toimetulemiseks jagame klientide edulugu, mis vähendab jõupingutusi potentsiaalse ärikasu kiireks kinnitamiseks. See saavutatakse prototüüpide loomisega Amazon Forecastiga – täielikult hallatava teenusega, mis pakub täpseid prognoositulemusi, ilma et oleks vaja hallata aluseks olevaid infrastruktuuri ressursse ja algoritme.

ML-põhise prognoosimissüsteemi kiire prototüüpimine koos Amazon Forecastiga

Oma kogemuse põhjal näeme sageli, et jaekliendid on valmis algatama oma müügiandmete kontseptsiooni tõestamise. Seda saab kiireks prototüüpimiseks teha mõne päeva kuni mõne nädala jooksul, olenevalt andmete keerukusest ja olemasolevatest ressurssidest, mida mudeli häälestamise protsessi käigus korrata. Prototüüpimise ajal soovitame protsessi tõhusaks haldamiseks kasutada sprinte ja jagada POC andmete uurimise, iteratiivse täiustamise ja automatiseerimise faasideks.

Andmete uurimine

Andmete uurimine hõlmab sageli intensiivset arutelu andmeteadlaste või ärianalüüsi analüütikutega, et tutvuda ajaloolise müügiandmestiku ja saadaolevate andmeallikatega, mis võivad potentsiaalselt mõjutada prognoositulemusi (nt varud ja ajaloolised reklaamiüritused). Üks tõhusamaid viise on koondada müügiandmed sihtandmestikuna andmelaost projekti varajases staadiumis. See põhineb asjaolul, et prognoositulemustes domineerivad sageli sihtandmestiku mustrid. Andmelaod salvestavad sageli igapäevaseid äriandmeid ning ammendav arusaam lühikese aja jooksul on keeruline ja aeganõudev. Meie soovitus on keskenduda sihtandmestiku genereerimisele ja veenduda, et see andmestik on õige. Need andmete uurimise ja lähtetaseme tulemused on sageli saavutatavad mõne päeva jooksul ning see võib määrata, kas sihtandmeid saab täpselt prognoosida. Andmete prognoositavust käsitleme hiljem selles postituses.

Kordus

Pärast lähtetulemuste saamist saame jätkata seotud andmete lisamist, et näha, kuidas need võivad täpsust mõjutada. Seda tehakse sageli täiendavatesse andmekogumitesse süvenemise kaudu; lisateabe saamiseks vaadake Seotud aegridade andmekogumite kasutamine ja Üksuse metaandmete andmekogumite kasutamine.

Mõnel juhul võib olla võimalik Amazon Forecasti täpsust parandada, koolitades mudeleid andmestiku sarnase käitumisega alamhulkadega või eemaldades andmekogumist hõredad andmed. Selle iteratiivse täiustamisetapi ajal on kõigi ML-projektide puhul keeruline osa see, et praegune iteratsioon sõltub eelmise iteratsiooni peamistest leidudest ja arusaamadest, seega on edu võti oluline range analüüs ja aruandlus.

Analüüsi saab teha kvantitatiivselt ja empiiriliselt. Kvantitatiivne aspekt viitab hindamisele järeltestimise ajal ja täpsusmõõdiku võrdlemisele, näiteks WAPE. Empiiriline aspekt viitab ennustuskõvera ja tegelike sihtandmete visualiseerimisele ning domeeni teadmiste kasutamisele potentsiaalsete tegurite kaasamiseks. Need analüüsid aitavad teil kiiremini itereerida, et ületada lõhe prognoositud tulemuste ja sihtandmete vahel. Lisaks võib selliste tulemuste esitamine iganädalase aruande kaudu sageli pakkuda ärilistele lõppkasutajatele kindlustunnet.

Automaatika

Viimane samm hõlmab sageli POC-i arutelu tootmisprotseduuri ja automatiseerimiseni. Kuna ML-projekti piirab projekti kogukestus, ei pruugi meil olla piisavalt aega kõigi võimaluste uurimiseks. Seetõttu võib potentsiaalse piirkonna märkimine kogu projekti käigus sageli usalduse teenida. Lisaks võib automatiseerimine aidata ärilistel lõppkasutajatel prognoosi pikema aja jooksul hinnata, kuna nad saavad uuendatud andmete põhjal prognooside koostamiseks kasutada olemasolevat ennustajat.

Edukriteeriume saab hinnata loodud tulemustega nii tehnilisest kui ärilisest vaatenurgast. Hindamisperioodi jooksul saame hinnata potentsiaalset kasu järgmistele asjaoludele:

• Prognoosi täpsuse suurendamine (tehniline) – arvutage tegelike müügiandmete ennustuse täpsus ja võrrelge olemasoleva prognoosisüsteemiga, sealhulgas käsitsi prognoosidega
• Jäätmete vähendamine (äri) – Raiskamise vähendamiseks vähendage üleprognoosimist
• Laohindade parandamine (äri) – Laohindade parandamiseks vähendage alaprognoosimist
• Brutokasumi (äri) kasvu prognoosimine – Brutokasumi suurendamiseks vähendage raiskamist ja parandage laoseisu

Arendustöö voo võtame kokku järgmisel diagrammil.

Järgmistes osades käsitleme olulisi elemente, mida rakendamisel arvesse võtta.

Samm-sammuline töövoog prognoosisüsteemi arendamiseks

Sihtandmestiku genereerimine

Esimene samm on prognoosi jaoks sihtandmestiku genereerimine. Jaemüügisektoris viitab see jaemüügikaupade (SKU-de) ajaloolistele aegridade nõudlusele ja müügiandmetele. Andmestiku koostamisel on üheks oluliseks aspektiks detailsus. Peaksime arvestama nii ärinõuete kui ka tehniliste nõuete andmete detailsust.

Ettevõte määratleb, kuidas prognoosimine tootmissüsteemis annab:

• Silmapiir – prognoositavate ajaetappide arv. See sõltub äriprobleemist. Kui tahame iga nädal laoseisu täiendada, siis tundub sobiv nädala- või päevaprognoos.
• Granulaarsus – Teie prognooside detailsus: aja sagedus, nt iga päev või iga nädal, erinevad kaupluste asukohad ja sama kauba erinevad suurused. Lõppkokkuvõttes võib ennustus olla iga poe SKU kombinatsioon koos igapäevaste andmepunktidega.

Kuigi ärinõude prioriteediks tuleks määratleda eelnimetatud prognoosihorisont ja detailsus, peame võib-olla tegema kompromisse nõuete ja teostatavuse vahel. Võtke ühe näitena jalatsiäri. Kui tahame ennustada iga jalatsisuuruse müüki igal kaupluse tasemel, muutuvad andmed peagi hõredaks ja mustrit on raske leida. Kuid laovarude täitmiseks peame hindama seda detailsust. Selleks võivad alternatiivsed lahendused nõuda erinevate kingasuuruste vahelise suhte hindamist ja selle suhte kasutamist peeneteraliste tulemuste arvutamiseks.

Sageli peame tasakaalustama ärinõudeid ja andmete mustrit, mida saab õppida ja prognoosimiseks kasutada. Andmemustrite kvantitatiivse kvalifikatsiooni tagamiseks soovitame kasutada andmete prognoositavust.

Andmete prognoositavus ja andmemustri klassifikatsioon

Üks peamisi teadmisi, mida saame sihtandmestikust koguda, on selle võime koostada kvaliteetseid prognoose. Seda saab analüüsida ML-projekti väga varases faasis. Prognoos paistab silma, kui andmed näitavad hooajalisust, trende ja tsüklilisi mustreid.

Prognoositavuse määramiseks on kaks peamist koefitsienti: nõudluse ajastuse varieeruvus ja nõudluse koguse varieeruvus. Nõudluse ajastuse varieeruvus tähendab intervalli kahe nõudluse esinemise vahel ja see mõõdab nõudluse regulaarsust ajas. Nõudluse koguse muutlikkus tähendab koguste kõikumist. Järgmine joonis illustreerib mõningaid erinevaid mustreid. Prognoosi täpsus sõltub suuresti toote prognoositavusest. Lisateabe saamiseks vaadake Nõudluse klassifikatsioon: miks prognoositavus on oluline.

Tasub märkida, et see prognoositavuse analüüs on mõeldud iga peeneteralise üksuse jaoks (nt SKU-Store-Color-Size). On üsna tavaline, et nõudluse prognoosimise tootmissüsteemis järgivad erinevad kaubad erinevat mustrit. Seetõttu on oluline eri andmemustrite järgi üksused eraldada. Üks tüüpiline näide on kiiresti ja aeglaselt liikuvad esemed; teine ​​näide oleks tihedad ja hõredad andmed. Lisaks on peeneteralisel esemel suurem tõenäosus saada tükiline muster. Näiteks rõivapoes võib ühe populaarse eseme müük igapäevaselt üsna ladusalt kulgeda, aga kui iga värvi ja suuruse kaupa kauba müüki veelgi eraldada, muutub see peagi hõredaks. Seetõttu võib SKU-Store-Color-Size-lt SKU-Store'i detailsuse vähendamine muuta andmemustri tükilisest siledaks ja vastupidi.

Pealegi ei panusta kõik kaubad müügile võrdselt. Oleme täheldanud, et kaupade panus järgib sageli Pareto jaotust, mille puhul suurimad kaubad annavad suurema osa müügist. Nende tippkaupade müük on sageli sujuv. Madalama müügirekordiga kaubad on sageli tükilised ja ebaühtlased ning seetõttu raskesti hinnatavad. Nende üksuste lisamine võib tegelikult vähendada parimate müügiartiklite täpsust. Nende tähelepanekute põhjal saame kaubad jagada erinevatesse rühmadesse, treenida Forecast mudelit parimate müügiartiklite jaoks ja käsitleda madalamaid müügiartikleid nurgapealsetena.

Andmete rikastamine ja täiendavate andmekogumite valimine

Kui tahame prognoositulemuste toimivuse parandamiseks kasutada täiendavaid andmekogumeid, võime neile loota aegridade andmestikud ja metaandmete andmekogumid. Jaemüügivaldkonnas saab intuitsiooni ja domeenialaste teadmiste põhjal importida seotud aegridana selliseid funktsioone nagu laoseisud, hind, pakkumine ja talve- või suvehooaeg. Lihtsaim viis funktsioonide kasulikkuse tuvastamiseks on funktsiooni tähtsuse kaudu. Prognoosis tehakse seda seletatavuse analüüsi abil. Prognoos Ennustaja seletatavus aitab meil paremini mõista, kuidas andmekogumite atribuudid mõjutavad sihtmärgi prognoose. Prognoos kasutab iga atribuudi suhtelise mõju kvantifitseerimiseks ja prognoosiväärtuste suurendamiseks või vähendamiseks mõõdikut, mida nimetatakse mõjuskoorideks. Kui ühe või mitme atribuudi mõjuskoor on null, ei mõjuta need atribuudid prognoosi väärtusi oluliselt. Nii saame väiksema mõjuga funktsioonid kiiresti eemaldada ja potentsiaalseid iteratiivselt lisada. Oluline on märkida, et mõjuskoorid mõõdavad atribuutide suhtelist mõju, mis normaliseeritakse koos kõigi teiste atribuutide mõjuskooridega.

Nagu kõik ML-projektid, nõuab täpsuse parandamine lisafunktsioonidega iteratiivseid katseid. Peate katsetama mitme andmekogumi kombinatsiooniga, jälgides samal ajal järkjärguliste muudatuste mõju mudeli täpsusele. Prognoosikonsooli kaudu või rakendusega saate proovida käivitada mitu prognoosikatset Prognoosi API-dega Pythoni märkmikud. Lisaks saate pardale kaasa võtta AWS CloudFormation, mis juurutab AWS-i, pakkus tavapärasteks kasutusjuhtudeks valmislahendusi (nt Prognoosi täpsuse parandamine masinõppe lahendusega). Prognoos eraldab andmestiku automaatselt ja loob ennustajate hindamiseks täpsusmõõdikud. Lisateabe saamiseks vt Ennustaja täpsuse hindamine. See aitab andmeteadlastel itereerida kiiremini, et saavutada kõige paremini toimiv mudel.

Täiustatud täiustamine ja nurgakorpuste käsitlemine

Mainisime, et prognoosialgoritmid saavad andmetest õppida hooajalisust, trende ja tsüklilisi omadusi. Nende omaduste ning sobiva andmetiheduse ja -mahuga üksuste puhul saame prognooside loomiseks kasutada prognoosi. Kui aga seisame silmitsi konarlike andmemustritega, eriti kui andmemaht on väike, peame võib-olla neid teisiti käsitlema, näiteks reeglistikul põhineva empiirilise hinnanguga.

Tiheda SKU-de puhul parandame prognoosi täpsust veelgi, koolitades mudeleid aegrea andmestiku sarnase käitumisega alamhulkadega. Alamhulga eraldamise strateegiad, mida kasutasime, on äriloogika, toote tüüp, andmete tihedus ja algoritmi õpitud mustrid. Pärast alamhulkade loomist saame treenida erinevate alamhulkade jaoks mitu prognoosimudelit. Ühe sellise näite jaoks vaadake Klastrite aegridade andmed Amazon Forecastiga kasutamiseks.

Tootmise suunas: andmestiku värskendamine, jälgimine ja ümberõpe

Uurime Prognoosiga arhitektuuri näidet, nagu on näidatud järgmisel diagrammil. Iga kord, kui lõppkasutaja koondab uue andmestiku Amazoni lihtne salvestusteenus (Amazon S3), see käivitab AWS-i astmefunktsioonid erinevate komponentide korraldamiseks, sealhulgas andmestiku importimise töö loomiseks, automaatse ennustaja loomiseks ja prognooside loomiseks. Pärast prognoositulemuste loomist eksporditakse prognooside eksportimise etapp need alltarbijate jaoks Amazon S3-sse. Lisateavet selle automatiseeritud torujuhtme ettevalmistamise kohta leiate aadressilt Automatiseerimine AWS CloudFormationiga. See kasutab CloudFormationi virna, et juurutada andmestikud automaatselt S3 ämbrisse ja käivitada Forecasti konveier. Saate kasutada sama automatiseerimispakki, et luua prognoose oma andmekogumitega.

Hiljutiste suundumuste prognoosisüsteemi kaasamiseks on kaks võimalust: andmete värskendamine või ennustaja ümberõpe.

Hiljutisi trende kajastavate värskendatud andmetega prognoosi genereerimiseks peate värskendatud sisendandmete faili üles laadima S3 ämbrisse (värskendatud sisendandmed peaksid siiski sisaldama kõiki teie olemasolevaid andmeid). Värskendatud andmekogumi importimisel ei õpeta prognoos ennustajat automaatselt ümber. Sa saad prognoose genereerida nagu tavaliselt. Prognoos ennustab prognoosihorisonti alates viimasest päevast uuendatud sisendandmetes. Seetõttu kaasatakse Forecasti tehtud uutesse järeldustesse hiljutised suundumused.

Kui aga soovite, et teie ennustaja oleks uutest andmetest välja õpetatud, peate looma uue ennustaja. Kui andmemustrid (hooajalisus, trendid või tsüklid) muutuvad, peate võib-olla kaaluma mudeli ümberõpetamist. Nagu märgitud Jälgige Amazon Forecastiga pidevalt ennustajate täpsust, ennustaja jõudlus kõigub aja jooksul selliste tegurite tõttu nagu muutused majanduskeskkonnas või tarbijakäitumises. Seetõttu võib osutuda vajalikuks ennustaja ümberõpe või uue ennustaja loomine, et tagada väga täpsete prognooside tegemine. Abiga ennustaja jälgimine, Prognoos saab jälgida teie ennustajate kvaliteeti, mis võimaldab teil vähendada operatiivseid jõupingutusi, aidates samal ajal teha teadlikumaid otsuseid ennustajate hoidmise, ümberõppe või taastamise kohta.

Järeldus

Amazon Forecast on aegridade prognoosimisteenus, mis põhineb ML-il ja on loodud ärimõõdikute analüüsiks. Saame integreerida nõudluse prognoosimise ennustuse suure täpsusega, kombineerides ajaloolist müüki ja muud asjakohast teavet, nagu laoseisud, tutvustused või hooaeg. 8 nädala jooksul aitasime ühel meie jaekliendil saavutada täpse nõudluse prognoosi – 10% paranemine võrreldes käsitsi prognoositud prognoosiga. See toob kaasa 16 töötunni otsese kokkuhoiu kuus ja hinnanguliselt kasvab müük kuni 11.8%.

Selles postituses jagati levinud tavasid, kuidas viia teie prognoosimisprojekt kontseptsiooni tõestamisest tootmiseni. Alustage kohe Amazoni prognoos oma ettevõtte jaoks väga täpsete prognooside saamiseks.

---

Autoritest

Yanwei Cui, PhD, on AWS-i masinõppe spetsialisti lahenduste arhitekt. Ta alustas masinõppe uurimist IRISA-s (Research Institute of Computer Science and Random Systems) ning tal on mitmeaastane kogemus tehisintellekti toega tööstuslike rakenduste loomisel arvutinägemise, loomuliku keele töötlemise ja veebipõhise kasutaja käitumise ennustamise vallas. AWS-is jagab ta domeeniteadmisi ja aitab klientidel avada äripotentsiaali ning saavutada mastaapse masinõppega teostatavaid tulemusi. Väljaspool tööd naudib ta lugemist ja reisimist.

Gordon Wang on Amazon Web Servicesi professionaalsete teenuste meeskonna vanemandmeteadlane. Ta toetab kliente paljudes tööstusharudes, sealhulgas meedia, tootmine, energeetika, jaekaubandus ja tervishoid. Ta on kirglik arvutinägemise, sügava õppimise ja MLO-de vastu. Vabal ajal armastab ta jooksmist ja matkamist.