پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

با استفاده از Amazon Forecast پیش‌بینی‌های شروع سرد برای محصولات بدون داده‌های تاریخی ایجاد کنید، اکنون تا 45٪ دقیق‌تر

تمبر زمان: 21 نوامبر 2022، 8:02 بعد از ظهر

حالا با پیش بینی آمازون، می توانید تا 45٪ پیش بینی های دقیق تری برای محصولات بدون داده های تاریخی ایجاد کنید. Forecast یک سرویس مدیریت شده است که از یادگیری ماشینی (ML) برای تولید پیش بینی های دقیق تقاضا، بدون نیاز به تجربه ML استفاده می کند. پیش‌بینی دقیق پایه و اساس بهینه‌سازی موجودی، برنامه‌ریزی لجستیک و مدیریت نیروی کار است و به کسب‌وکارها این امکان را می‌دهد تا برای خدمت به مشتریان خود آمادگی بهتری داشته باشند. پیش بینی شروع سرد یک چالش رایج است که در آن نیاز به ایجاد پیش‌بینی وجود دارد، اما هیچ داده تاریخی برای محصول وجود ندارد. این امر در صنایعی مانند خرده‌فروشی، تولید یا کالاهای بسته‌بندی مصرف‌کننده که در آن محصولات جدید به سرعت معرفی می‌شوند، با ارائه محصولات جدید توسعه‌یافته به بازار، نصب برندها یا کاتالوگ‌ها برای اولین بار، یا فروش متقابل محصولات در مناطق جدید، معمول است. با این راه‌اندازی، رویکرد موجود خود را برای پیش‌بینی شروع سرد بهبود دادیم و اکنون پیش‌بینی‌هایی را ارائه می‌کنیم که تا ۴۵ درصد دقیق‌تر هستند.

توسعه یک مدل پیش‌بینی شروع سرد می‌تواند چالش‌برانگیز باشد زیرا روش‌های پیش‌بینی آماری سنتی مانند میانگین متحرک یکپارچه خودکار (ARIMA) یا هموارسازی نمایی با استفاده از این مفهوم ساخته می‌شوند که داده‌های تاریخی یک محصول را می‌توان برای پیش‌بینی ارزش‌های آینده آن استفاده کرد. اما، بدون داده های تاریخی، پارامترهای مدل را نمی توان محاسبه کرد و بنابراین مدل را نمی توان ساخت. Forecast قبلاً توانایی ایجاد پیش بینی برای محصولات شروع سرد را با استفاده از اختصاصی داشت الگوریتم های شبکه عصبی مانند DeepAR+ و CNN-QR. این مدل ها روابط بین محصولات را یاد می گیرند و می توانند پیش بینی هایی را برای محصولات بدون داده های تاریخی ایجاد کنند. استفاده از فراداده آیتم برای ایجاد این روابط ضمنی بود که به این معنی بود که شبکه‌ها قادر به برون‌یابی کامل ویژگی‌های روند برای محصولات شروع سرد نیستند.

امروز، رویکرد جدیدی را برای پیش‌بینی شروع سرد راه‌اندازی کردیم که تا ۴۵ درصد دقیق‌تر از قبل است. این رویکرد رفتار ما با فراداده مورد را بهبود می بخشد که از طریق آن محصولات صریح را در مجموعه داده شما شناسایی می کنیم که شبیه ترین ویژگی ها را با محصولات شروع سرد دارند. با تمرکز بر این زیرمجموعه از محصولات مشابه، می‌توانیم روندها را برای ایجاد پیش‌بینی برای محصول شروع سرد بهتر یاد بگیریم. به عنوان مثال، یک خرده فروش مد که خط تیشرت جدیدی را معرفی می کند، می خواهد تقاضای آن خط را برای بهینه سازی موجودی فروشگاه پیش بینی کند. می‌توانید پیش‌بینی را با داده‌های تاریخی برای سایر محصولات موجود در کاتالوگ خود مانند خطوط تی‌شرت، ژاکت، شلوار و کفش موجود، و همچنین ابرداده‌هایی مانند نام برند، رنگ، اندازه، و دسته محصول جدید و موجود ارائه کنید. محصولات با این ابرداده، Forecast به طور خودکار محصولاتی را که بیشترین ارتباط را با خط تی شرت جدید دارند شناسایی می کند و از آن ها برای ایجاد پیش بینی برای خط تی شرت استفاده می کند.

این ویژگی در همه مناطقی که Forecast از طریق کنسول مدیریت AWS یا AutoPredictor API. برای اطلاعات بیشتر در مورد در دسترس بودن منطقه، مراجعه کنید خدمات منطقه ای AWS. برای شروع استفاده از Forecast برای پیش بینی شروع سرد، مراجعه کنید ایجاد پیش بینی یا نوت بوک GitHub.

بررسی اجمالی راه حل

مراحل این پست نشان می دهد که چگونه از Forecast برای پیش بینی شروع سرد در سیستم استفاده کنید کنسول مدیریت AWS. ما نمونه‌ای از خرده‌فروشی را بررسی می‌کنیم که پیش‌بینی تقاضای موجودی برای یک محصول تازه راه‌اندازی شده را با دنبال کردن سه مرحله در پیش‌بینی ایجاد می‌کند: وارد کردن داده‌های شما، آموزش یک پیش‌بینی‌کننده، و ایجاد یک پیش‌بینی. برای استفاده مستقیم از Forecast API برای پیش‌بینی شروع سرد، دفترچه یادداشت موجود در ما را دنبال کنید GitHub repo، که یک نمایش مشابه ارائه می دهد.

داده های آموزشی خود را وارد کنید

برای استفاده از روش جدید پیش‌بینی شروع سرد، باید دو فایل CSV وارد کنید: یک فایل حاوی داده‌های سری زمانی هدف (نمایش هدف پیش‌بینی) و فایل دیگری حاوی فراداده مورد (نمایش ویژگی‌های محصول مانند اندازه یا رنگ). Forecast محصولات شروع سرد را به عنوان محصولاتی شناسایی می کند که در فایل فراداده مورد وجود دارند اما در فایل سری زمانی هدف وجود ندارند.

برای شناسایی صحیح محصول شروع سرد، مطمئن شوید که شناسه مورد محصول شروع سرد شما به عنوان یک ردیف در فایل فراداده مورد شما وارد شده است و در فایل سری زمانی مورد نظر موجود نیست. برای چندین محصول شروع سرد، شناسه هر مورد محصول را به عنوان یک ردیف جداگانه در فایل فراداده مورد وارد کنید. اگر هنوز شناسه موردی برای محصول شروع سرد خود ندارید، می‌توانید از هر ترکیب الفبای عددی کمتر از 64 نویسه استفاده کنید که قبلاً نماینده محصول دیگری در مجموعه داده شما نیست.

در مثال ما، فایل سری زمانی هدف شامل شناسه کالا، مهر زمانی و تقاضا (موجودی) است و فایل فراداده کالا شامل شناسه کالا، رنگ، دسته محصول و مکان است.

برای وارد کردن اطلاعات خود، مراحل زیر را انجام دهید:

  1. در کنسول Forecast، را انتخاب کنید مشاهده گروه های داده.
  2. را انتخاب کنید ایجاد گروه داده.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. برای نام گروه مجموعه داده، یک نام مجموعه داده را وارد کنید (برای این پست my_company_shoe_inventory).
  2. برای دامنه پیش بینی، یک دامنه پیش بینی (برای این پست، خرده فروشی) انتخاب کنید.
  3. Next را انتخاب کنید.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. در صفحه ایجاد مجموعه داده های سری زمانی هدف، نام مجموعه داده، فراوانی داده های خود و طرح داده را ارائه دهید.
  2. جزئیات وارد کردن مجموعه داده را ارائه دهید.
  3. شروع را انتخاب کنید.

تصویر زیر اطلاعات صفحه سری زمانی هدف را نشان می دهد که برای مثال ما پر شده است.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

شما به داشبوردی هدایت می شوید که می توانید از آن برای پیگیری پیشرفت استفاده کنید.

  1. برای وارد کردن فایل فراداده مورد، در داشبورد، را انتخاب کنید وارد كردن.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. بر مجموعه داده فراداده مورد را ایجاد کنید صفحه، نام مجموعه داده و طرح داده را ارائه دهید.
  2. جزئیات وارد کردن مجموعه داده را ارائه دهید.
  3. را انتخاب کنید آغاز.

تصویر زیر اطلاعاتی را که برای مثال ما پر شده است نشان می دهد.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

یک پیشگو تربیت کنید

در مرحله بعد، یک پیش بینی کننده را آموزش می دهیم.

  1. در داشبورد، انتخاب کنید پیش بینی کننده قطار.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. بر پیش بینی کننده قطار صفحه، یک نام برای پیش بینی کننده خود، مدت زمانی که در آینده می خواهید پیش بینی کنید و با چه فرکانسی و تعداد چندک هایی که می خواهید پیش بینی کنید وارد کنید.
  2. فعال پیش بینی خودکار. این برای پیش بینی شروع سرد مورد نیاز است.
  3. را انتخاب کنید ساختن.

تصویر زیر اطلاعاتی را که برای مثال ما پر شده است نشان می دهد.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

پیش بینی ایجاد کنید

پس از آموزش پیش بینی کننده ما (این می تواند تقریباً 2.5 ساعت طول بکشد)، ما یک پیش بینی برای محصول تازه راه اندازی شده ایجاد می کنیم. با دیدن آن خواهید فهمید که پیش بینی کننده شما آموزش دیده است مشاهده پیش بینی ها دکمه روی داشبورد شما

  1. را انتخاب کنید پیش بینی ایجاد کنید روی داشبورد

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. بر پیش بینی ایجاد کنید صفحه، نام پیش‌بینی را وارد کنید، پیش‌بینی‌کننده‌ای را که ایجاد کرده‌اید انتخاب کنید، و چندک‌های پیش‌بینی (اختیاری) و مواردی را برای ایجاد پیش‌بینی مشخص کنید.
  2. را انتخاب کنید آغاز.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

پیش بینی های خود را صادر کنید

پس از ایجاد پیش بینی، می توانید داده ها را به CSV صادر کنید. با فعال بودن وضعیت متوجه خواهید شد که پیش بینی شما ایجاد می شود.

  1. را انتخاب کنید صادرات پیش بینی ایجاد کنید.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. نام فایل صادراتی را وارد کنید (برای این پست my_cold_start_forecast_export).
  2. برای محل صادرات، مشخص کنید سرویس ذخیره سازی ساده آمازون مکان (Amazon S3).
  3. را انتخاب کنید آغاز.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. برای دانلود صادرات، از کنسول به محل مسیر فایل S3 بروید، سپس فایل را انتخاب کرده و انتخاب کنید دانلود.

فایل صادراتی شامل مهر زمانی، شناسه مورد، فراداده مورد، و پیش‌بینی‌های هر یک از چندک انتخاب شده است.

پیش بینی های خود را مشاهده کنید

پس از ایجاد پیش بینی، می توانید پیش بینی های محصولات جدید را به صورت گرافیکی در کنسول مشاهده کنید.

  1. را انتخاب کنید پیش بینی پرس و جو روی داشبورد

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

  1. نام پیش بینی ایجاد شده در مرحله قبل را انتخاب کنید (my_cold_start_forecast در مثال ما).
  2. تاریخ شروع و تاریخ پایانی را که می خواهید پیش بینی خود را مشاهده کنید وارد کنید.
  3. در قسمت شناسه مورد برای کلید پیش بینی، شناسه منحصر به فرد محصول شروع سرد خود را اضافه کنید.
  4. انتخاب کرد دریافت پیش بینی.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

در شکل، پیش بینی هر کمیت انتخاب شده را مشاهده خواهید کرد.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.

نتیجه

با پیش‌بینی، می‌توانید همان بینش‌های پیش‌بینی را برای محصولات با شروع سرد بدون داده‌های تاریخی به دست آورید، اکنون تا ۴۵٪ دقیق‌تر از قبل. برای ایجاد پیش‌بینی‌های شروع سرد با Forecast، کنسول Forecast را باز کنید و مراحل ذکر شده در این پست را دنبال کنید یا به ما مراجعه کنید. نوت بوک GitHub در مورد نحوه دسترسی به عملکرد از طریق API. برای کسب اطلاعات بیشتر به ادامه مطلب مراجعه نمایید ایجاد پیش بینی.

درباره نویسندگان

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.براندون نیر مدیر محصول ارشد آمازون Forecast است. علاقه حرفه ای او در ایجاد خدمات و برنامه های کاربردی یادگیری ماشین مقیاس پذیر است. خارج از محل کار او را می توان در حال کاوش در پارک های ملی، تکمیل تاب گلف خود یا برنامه ریزی یک سفر ماجراجویی یافت.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.ماناس دادکار یک مدیر توسعه نرم افزار است که مهندسی سرویس آمازون Forecast را در اختیار دارد. او علاقه زیادی به کاربردهای یادگیری ماشینی دارد و فناوری‌های ML را به راحتی در دسترس همگان قرار می‌دهد تا آن‌ها را بپذیرند و در تولید بکار ببرند. خارج از کار، او علایق متعددی از جمله سفر، مطالعه و گذراندن وقت با دوستان و خانواده دارد.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai.بهارات نانداموری یک مهندس نرم افزار Sr است که در Amazon Forecast کار می کند. او مشتاق ساخت خدمات باطن در مقیاس بالا با تمرکز بر مهندسی برای سیستم‌های ML است. در خارج از محل کار، او از بازی شطرنج، پیاده روی و تماشای فیلم لذت می برد.

پیش‌بینی‌های شروع سرد را برای محصولات بدون داده‌های تاریخی با استفاده از پیش‌بینی آمازون ایجاد کنید، اکنون تا 45 درصد دقیق‌تر از اطلاعات PlatoBlockchain Intelligence. جستجوی عمودی Ai. گوراو گوپتا یک دانشمند کاربردی در آزمایشگاه‌های هوش مصنوعی AWS و پیش‌بینی آمازون است. علایق تحقیقاتی او در یادگیری ماشین برای داده های متوالی، یادگیری اپراتور برای معادلات دیفرانسیل جزئی، موجک ها نهفته است. او قبل از پیوستن به AWS، دکترای خود را از دانشگاه کالیفرنیای جنوبی به پایان رساند.

تمبر زمان:

بیشتر از آموزش ماشین AWS