اجرای پیش بینی آمازون در صنعت خرده فروشی: سفری از POC تا تولید

پیش بینی آمازون یک سرویس کاملاً مدیریت شده است که از الگوریتم های آماری و یادگیری ماشینی (ML) برای ارائه پیش بینی های سری زمانی بسیار دقیق استفاده می کند. اخیراً، بر اساس پیش‌بینی آمازون، به یکی از مشتریان خرده‌فروشی خود کمک کردیم تا ظرف 8 هفته به پیش‌بینی دقیق تقاضا دست یابد. این راه حل پیش بینی دستی را به طور متوسط ​​10٪ در رابطه با این بهبود بخشید WAPE متریک این منجر به صرفه جویی مستقیم 16 ساعت کار در ماه می شود. علاوه بر این، ما برآورد کردیم که با انجام تعداد صحیح اقلام، فروش می تواند تا 11.8٪ افزایش یابد. در این پست، ما گردش کار و عناصر حیاتی برای پیاده‌سازی - از اثبات مفهوم (POC) تا تولید - یک سیستم پیش‌بینی تقاضا با پیش‌بینی آمازون را ارائه می‌کنیم که بر چالش‌های صنعت خرده‌فروشی متمرکز است.

پیشینه و چالش های فعلی پیش بینی تقاضا در صنعت خرده فروشی

هدف پیش‌بینی تقاضا برآورد تقاضای آتی از روی داده‌های تاریخی و کمک به تکمیل ذخیره و تخصیص ظرفیت است. با پیش‌بینی تقاضا، خرده‌فروشان می‌توانند مقدار مناسبی از موجودی را در هر مکان در شبکه خود قرار دهند تا تقاضا را برآورده کنند. بنابراین، یک سیستم پیش‌بینی دقیق می‌تواند طیف گسترده‌ای از مزایای را در عملکردهای مختلف کسب‌وکار ایجاد کند، مانند:

• افزایش فروش به دلیل در دسترس بودن بهتر محصول و کاهش تلاش برای انتقال ضایعات بین فروشگاهی
• ارائه بینش قابل اعتمادتر برای بهبود استفاده از ظرفیت و جلوگیری فعالانه از تنگناها در تامین ظرفیت
• به حداقل رساندن موجودی و هزینه های تولید و بهبود گردش موجودی
• ارائه یک تجربه کلی بهتر برای مشتری

تکنیک های ML زمانی ارزش زیادی را نشان می دهند که حجم زیادی از داده های با کیفیت خوب وجود داشته باشد. امروزه، مدیریت پر کردن مجدد مبتنی بر تجربه یا پیش‌بینی تقاضا همچنان جریان اصلی اکثر خرده‌فروشان است. با هدف بهبود تجربه مشتری، خرده فروشان بیشتری مایلند سیستم های پیش بینی تقاضای مبتنی بر تجربه را با پیش بینی های مبتنی بر ML جایگزین کنند. با این حال، خرده‌فروشان هنگام اجرای سیستم‌های پیش‌بینی تقاضا مبتنی بر ML در تولید با چالش‌های متعددی روبرو هستند. ما چالش‌های مختلف را در سه دسته خلاصه می‌کنیم: چالش‌های داده، چالش‌های ML و چالش‌های عملیاتی.

چالش های داده

حجم زیادی از داده های تمیز و با کیفیت یک نیاز کلیدی برای پیش بینی های دقیق مبتنی بر ML است. داده‌های کیفی، از جمله فروش‌های تاریخی و داده‌های مربوط به فروش (مانند موجودی، قیمت‌گذاری اقلام، و تبلیغات)، باید جمع‌آوری و ادغام شوند. تنوع داده ها از منابع متعدد نیازمند یک پلت فرم داده مدرن برای متحد کردن سیلوهای داده است. علاوه بر این، دسترسی به موقع به داده ها برای پیش بینی های مکرر و دقیق تقاضا ضروری است.

چالش های ML

توسعه الگوریتم های پیشرفته ML نیاز به تخصص دارد. پیاده‌سازی الگوریتم‌های مناسب برای مشکل مناسب هم به دانش عمیق حوزه و هم به صلاحیت‌های ML نیاز دارد. علاوه بر این، یادگیری از مجموعه داده های بزرگ در دسترس نیاز به یک زیرساخت ML مقیاس پذیر دارد. علاوه بر این، حفظ الگوریتم‌های ML در تولید نیازمند شایستگی‌های ML به منظور تجزیه و تحلیل علت اصلی تخریب مدل و آموزش مجدد مدل است.

برای حل مشکلات کسب و کار عملی، تولید پیش بینی های دقیق تنها بخشی از داستان است. تصمیم گیرندگان به پیش بینی های احتمالی در چندک های مختلف نیاز دارند که باعث می شود تجربه مشتری در مقابل تصمیمات مبادله نتایج مالی مهم باشد. آن‌ها همچنین باید پیش‌بینی‌ها را برای ذینفعان توضیح دهند، و تحلیل‌های what-if را برای بررسی اینکه چگونه سناریوهای مختلف ممکن است بر نتایج پیش‌بینی تأثیر بگذارند، انجام دهند.

چالش های عملیاتی

کاهش تلاش عملیاتی برای حفظ یک سیستم پیش بینی مقرون به صرفه سومین چالش اصلی است. در یک سناریوی رایج پیش‌بینی تقاضا، هر کالا در هر مکان، پیش‌بینی خاص خود را دارد. سیستمی که بتواند صدها هزار پیش بینی را در هر زمان مدیریت کند مورد نیاز است. علاوه بر این، کاربران نهایی کسب و کار نیاز دارند که سیستم پیش‌بینی در سیستم‌های پایین‌دستی موجود، مانند پلت‌فرم‌های مدیریت زنجیره تامین موجود، ادغام شود تا بتوانند از سیستم‌های مبتنی بر ML بدون تغییر ابزارها و فرآیندهای موجود استفاده کنند.

این چالش ها به ویژه زمانی حادتر می شوند که کسب و کار بزرگ، پویا و در حال رشد باشد. برای رسیدگی به این چالش‌ها، داستان موفقیت مشتری را به اشتراک می‌گذاریم که تلاش‌ها برای اعتبارسنجی سریع سود بالقوه کسب‌وکار را کاهش می‌دهد. این امر از طریق نمونه سازی با آمازون Forecast به دست می آید - یک سرویس کاملاً مدیریت شده که نتایج پیش بینی دقیق را بدون نیاز به مدیریت منابع زیرساخت و الگوریتم های زیربنایی ارائه می دهد.

نمونه سازی سریع برای یک سیستم پیش بینی مبتنی بر ML با آمازون Forecast

بر اساس تجربه ما، اغلب می‌بینیم که مشتریان خرده‌فروشی مایلند یک اثبات مفهومی را بر روی داده‌های فروش خود آغاز کنند. بسته به پیچیدگی داده ها و منابع موجود برای تکرار در فرآیند تنظیم مدل، این می تواند در بازه ای از چند روز تا چند هفته برای نمونه سازی سریع انجام شود. در طول نمونه سازی، پیشنهاد می کنیم از اسپرینت ها برای مدیریت موثر فرآیند استفاده کنید و POC را به مراحل کاوش داده، بهبود تکراری و اتوماسیون جدا کنید.

اکتشاف داده ها

کاوش داده اغلب مستلزم بحث و گفتگوی شدید با دانشمندان داده یا تحلیلگران هوش تجاری است تا با مجموعه داده های فروش تاریخی و منابع داده موجود که به طور بالقوه می توانند بر نتایج پیش بینی تأثیر بگذارند، مانند موجودی و رویدادهای تبلیغاتی تاریخی، آشنا شوند. یکی از کارآمدترین راه ها تجمیع داده های فروش، به عنوان مجموعه داده هدف، از انبار داده در مرحله اولیه پروژه است. این مبتنی بر این واقعیت است که نتایج پیش‌بینی اغلب تحت سلطه الگوهای مجموعه داده هدف قرار می‌گیرد. انبارهای داده اغلب داده های کسب و کار روزانه را ذخیره می کنند و درک جامع در مدت زمان کوتاهی دشوار و زمان بر است. پیشنهاد ما این است که روی تولید مجموعه داده هدف تمرکز کنید و مطمئن شوید که این مجموعه داده درست است. این کاوش داده ها و نتایج پایه اغلب می توانند ظرف چند روز به دست آیند، و این می تواند تعیین کند که آیا داده های هدف می توانند به طور دقیق پیش بینی شوند یا خیر. پیش‌بینی‌پذیری داده‌ها را بعداً در این پست مورد بحث قرار می‌دهیم.

تکرار

پس از اینکه نتایج پایه را بدست آوردیم، می‌توانیم به افزودن داده‌های مرتبط بیشتر ادامه دهیم تا ببینیم چگونه می‌توانند بر دقت تأثیر بگذارند. این اغلب از طریق یک فرو رفتن عمیق در مجموعه داده های اضافی انجام می شود. برای اطلاعات بیشتر مراجعه کنید استفاده از مجموعه داده های سری زمانی مرتبط و استفاده از مجموعه داده های فراداده مورد.

در برخی موارد، ممکن است با آموزش مدل‌ها با زیرمجموعه‌های رفتاری مشابه از مجموعه داده، یا با حذف داده‌های پراکنده از مجموعه داده، دقت را در پیش‌بینی آمازون بهبود بخشید. در طول این مرحله بهبود مکرر، بخش چالش برانگیز - که برای همه پروژه های ML صادق است - این است که تکرار فعلی به یافته ها و بینش های کلیدی تکرار قبلی بستگی دارد، بنابراین تجزیه و تحلیل و گزارش دقیق کلید موفقیت است.

تجزیه و تحلیل را می توان به صورت کمی و تجربی انجام داد. جنبه کمی به ارزیابی در طول بک تست و مقایسه متریک دقت اشاره دارد، مانند WAPE. جنبه تجربی به تجسم منحنی پیش‌بینی و داده‌های هدف واقعی و استفاده از دانش حوزه برای ترکیب عوامل بالقوه اشاره دارد. این تجزیه و تحلیل ها به شما کمک می کند سریعتر تکرار کنید تا شکاف بین نتایج پیش بینی شده و داده های هدف را پر کنید. علاوه بر این، ارائه چنین نتایجی از طریق یک گزارش هفتگی اغلب می تواند اعتماد کاربران نهایی کسب و کار را فراهم کند.

اتوماسیون

مرحله نهایی اغلب شامل بحث POC تا فرآیند تولید و اتوماسیون است. از آنجایی که پروژه ML توسط کل مدت زمان پروژه محدود شده است، ممکن است زمان کافی برای بررسی همه احتمالات نداشته باشیم. بنابراین، نشان دادن منطقه بالقوه در سراسر یافته ها در طول پروژه اغلب می تواند اعتماد را جلب کند. علاوه بر این، اتوماسیون می‌تواند به کاربران نهایی کسب‌وکار کمک کند تا Forecast را برای مدت طولانی‌تری ارزیابی کنند، زیرا آنها می‌توانند از یک پیش‌بینی‌کننده موجود برای ایجاد پیش‌بینی با داده‌های به‌روز شده استفاده کنند.

معیارهای موفقیت را می توان با نتایج تولید شده، هم از منظر فنی و هم از منظر تجاری ارزیابی کرد. در طول دوره ارزیابی، می توانیم مزایای بالقوه را برای موارد زیر برآورد کنیم:

• افزایش دقت پیش بینی (فنی) - دقت پیش‌بینی را با توجه به داده‌های فروش واقعی محاسبه کنید و با سیستم پیش‌بینی موجود، از جمله پیش‌بینی‌های دستی مقایسه کنید.
• کاهش ضایعات (کسب و کار) - کاهش بیش از حد پیش بینی به منظور کاهش ضایعات
• بهبود نرخ های موجودی (تجاری) - کاهش پیش‌بینی کمتر به منظور بهبود نرخ‌های موجودی
• برآورد افزایش سود ناخالص (کسب و کار) - کاهش ضایعات و بهبود نرخ های موجود در انبار به منظور افزایش سود ناخالص

ما گردش کار توسعه را در نمودار زیر خلاصه می کنیم.

در بخش‌های بعدی، عناصر مهمی را که باید در حین اجرا در نظر گرفته شوند، مورد بحث قرار می‌دهیم.

گردش کار گام به گام برای توسعه یک سیستم پیش بینی

تولید مجموعه داده هدف

اولین گام، تولید مجموعه داده هدف برای Forecast است. در صنعت خرده فروشی، این به تقاضای سری زمانی تاریخی و داده های فروش برای اقلام خرده فروشی (SKU) اشاره دارد. هنگام تهیه مجموعه داده، یکی از جنبه های مهم دانه بندی است. ما باید جزئیات داده ها را هم از الزامات تجاری و هم از الزامات فنی در نظر بگیریم.

کسب و کار چگونگی نتایج پیش بینی در سیستم تولید را تعریف می کند:

• افق - تعداد گام های زمانی پیش بینی شده این بستگی به مشکل اساسی کسب و کار دارد. اگر بخواهیم سطح سهام را هر هفته دوباره پر کنیم، پیش بینی هفتگی یا پیش بینی روزانه مناسب به نظر می رسد.
• دانه دانه بودن - جزئیات پیش بینی های شما: فرکانس زمانی مانند روزانه یا هفتگی، مکان های مختلف فروشگاه و اندازه های مختلف یک مورد. در پایان، پیش‌بینی می‌تواند ترکیبی از هر SKU فروشگاه، با نقاط داده روزانه باشد.

اگرچه افق پیش‌بینی و جزئیات پیش‌بینی شده باید برای اولویت‌بندی نیازمندی‌های کسب‌وکار تعریف شود، ممکن است لازم باشد بین الزامات و امکان‌سنجی معاوضه ایجاد کنیم. به عنوان مثال، تجارت کفش را در نظر بگیرید. اگر بخواهیم فروش هر اندازه کفش را در هر سطح فروشگاه پیش بینی کنیم، داده ها به زودی پراکنده می شوند و الگوی آن به سختی پیدا می شود. با این حال، برای پر کردن مجدد انبار، باید این دانه بندی را تخمین بزنیم. برای انجام این کار، راه حل های جایگزین ممکن است نیاز به تخمین نسبتی بین سایزهای مختلف کفش و استفاده از این نسبت برای محاسبه نتایج دانه ریز داشته باشند.

ما اغلب نیاز داریم که بین نیازهای تجاری و الگوی داده‌ای که می‌توان یاد گرفت و برای پیش‌بینی استفاده کرد، تعادل برقرار کرد. برای ارائه صلاحیت کمی از الگوهای داده، استفاده از قابلیت پیش‌بینی داده‌ها را پیشنهاد می‌کنیم.

پیش بینی پذیری داده ها و طبقه بندی الگوی داده ها

یکی از بینش‌های کلیدی که می‌توانیم از مجموعه داده هدف جمع‌آوری کنیم، توانایی آن در تولید پیش‌بینی‌های با کیفیت است. این را می توان در مراحل اولیه پروژه ML تحلیل کرد. زمانی که داده ها فصلی، روندها و الگوهای چرخه ای را نشان می دهند، پیش بینی می درخشد.

برای تعیین پیش‌بینی‌پذیری، دو ضریب اصلی وجود دارد: تغییرپذیری در زمان‌بندی تقاضا و تغییرپذیری در کمیت تقاضا. تغییر در زمان‌بندی تقاضا به معنای فاصله زمانی بین دو مورد تقاضا است و نظم تقاضا را در زمان اندازه‌گیری می‌کند. تغییر در مقدار تقاضا به معنای تغییر در مقادیر است. شکل زیر چند الگوی مختلف را نشان می دهد. دقت پیش‌بینی به شدت به قابلیت پیش‌بینی محصول بستگی دارد. برای اطلاعات بیشتر مراجعه کنید طبقه بندی تقاضا: چرا قابلیت پیش بینی اهمیت دارد.

شایان ذکر است که این تجزیه و تحلیل پیش بینی پذیری برای هر آیتم ریز دانه است (به عنوان مثال SKU-Store-Color-Size). این کاملاً معمول است که در یک سیستم تولید پیش‌بینی تقاضا، اقلام مختلف از الگوهای متفاوتی پیروی می‌کنند. بنابراین، مهم است که آیتم ها را با الگوهای مختلف داده جدا کنید. یک مثال معمولی آیتم های با حرکت سریع و آهسته است. مثال دیگر داده های متراکم و پراکنده است. علاوه بر این، یک آیتم ریز دانه شانس بیشتری برای ایجاد الگوی توده ای دارد. به عنوان مثال، در یک فروشگاه پوشاک، فروش یک کالای پرطرفدار می تواند روزانه کاملاً روان باشد، اما اگر فروش آن کالا را برای هر رنگ و اندازه جدا کنیم، به زودی کم می شود. بنابراین، کاهش دانه بندی از SKU-Store-Color-Size به SKU-Store می تواند الگوی داده ها را از توده ای به صاف و بالعکس تغییر دهد.

علاوه بر این، همه اقلام به طور یکسان به فروش کمک نمی کنند. ما مشاهده کرده‌ایم که سهم اقلام اغلب از توزیع پارتو پیروی می‌کند، که در آن اقلام برتر بیشتر فروش را به خود اختصاص می‌دهند. فروش این اقلام برتر اغلب روان است. اقلامی که سابقه فروش کمتری دارند اغلب یکنواخت و نامنظم هستند و بنابراین تخمین زدن آنها دشوار است. افزودن این موارد ممکن است در واقع دقت اقلام فروش برتر را کاهش دهد. بر اساس این مشاهدات، می‌توانیم اقلام را به گروه‌های مختلف تفکیک کنیم، مدل Forecast را در مورد اقلام فروش برتر آموزش دهیم و اقلام فروش پایین‌تر را به عنوان موارد گوشه‌ای مدیریت کنیم.

غنی سازی داده ها و انتخاب مجموعه داده های اضافی

زمانی که می خواهیم از مجموعه داده های اضافی برای بهبود عملکرد نتایج پیش بینی استفاده کنیم، می توانیم به آن تکیه کنیم مجموعه داده های سری زمانی و مجموعه داده های فراداده. در حوزه خرده‌فروشی، براساس شهود و دانش دامنه، ویژگی‌هایی مانند موجودی، قیمت، تبلیغات و فصل‌های زمستان یا تابستان را می‌توان به عنوان سری‌های زمانی مرتبط وارد کرد. ساده ترین راه برای شناسایی سودمندی ویژگی ها از طریق اهمیت ویژگی است. در Forecast این کار با تجزیه و تحلیل تبیین پذیری انجام می شود. پیش بینی توضیح‌پذیری پیش‌بینی‌کننده به ما کمک می‌کند تا درک کنیم که چگونه ویژگی‌های مجموعه داده‌ها بر پیش‌بینی‌های هدف تأثیر می‌گذارند. Forecast از معیاری به نام امتیازات تأثیر برای تعیین کمیت تأثیر نسبی هر ویژگی و تعیین اینکه آیا آنها مقادیر پیش‌بینی را افزایش یا کاهش می‌دهند، استفاده می‌کند. اگر یک یا چند ویژگی دارای امتیاز تأثیر صفر باشند، این ویژگی ها تأثیر قابل توجهی بر مقادیر پیش بینی ندارند. به این ترتیب، می‌توانیم به سرعت ویژگی‌هایی را که تأثیر کمتری دارند حذف کرده و موارد بالقوه را به‌طور تکراری اضافه کنیم. توجه به این نکته مهم است که امتیازهای تأثیر، تأثیر نسبی ویژگی‌ها را اندازه‌گیری می‌کنند، که همراه با امتیازات تأثیر همه ویژگی‌های دیگر عادی می‌شوند.

مانند تمام پروژه های ML، بهبود دقت با ویژگی های اضافی نیاز به آزمایش های تکراری دارد. شما باید چندین ترکیب از مجموعه داده ها را آزمایش کنید، در حالی که تاثیر تغییرات افزایشی را بر دقت مدل مشاهده می کنید. می توانید چندین آزمایش Forecast را از طریق کنسول Forecast یا با آن اجرا کنید نوت بوک های پایتون با API های Forecast. علاوه بر این، شما می توانید با AWS CloudFormation، که AWS را مستقر می کند، راه حل های آماده ای را برای موارد استفاده رایج (به عنوان مثال، بهبود دقت پیش‌بینی با راه‌حل یادگیری ماشین). پیش بینی به طور خودکار مجموعه داده را جدا می کند و معیارهای دقت را برای ارزیابی پیش بینی ها تولید می کند. برای اطلاعات بیشتر ببین ارزیابی دقت پیش بینی کننده. این به دانشمندان داده کمک می کند تا برای دستیابی به بهترین مدل عملکرد سریعتر تکرار کنند.

بهبود پیشرفته و رسیدگی به موارد گوشه

اشاره کردیم که الگوریتم های پیش بینی می توانند فصلی بودن، روندها و ویژگی های چرخه ای را از داده ها یاد بگیرند. برای اقلام با این ویژگی ها و چگالی و حجم داده مناسب، می توانیم از Forecast برای تولید تخمین ها استفاده کنیم. با این حال، هنگام مواجهه با الگوهای داده های توده ای، به ویژه زمانی که حجم داده ها کم است، ممکن است لازم باشد آنها را به گونه ای متفاوت مدیریت کنیم، مانند تخمین تجربی بر اساس مجموعه قوانین.

برای SKUهای متراکم، دقت پیش‌بینی را با آموزش مدل‌ها با زیرمجموعه‌هایی با رفتار مشابه از مجموعه داده سری زمانی بهبود می‌بخشیم. استراتژی‌های جداسازی زیرمجموعه‌ای که ما استفاده کردیم، منطق تجاری، نوع محصول، تراکم داده‌ها و الگوهای آموخته‌شده توسط الگوریتم است. پس از تولید زیر مجموعه ها، می توانیم چندین مدل Forecast را برای زیر مجموعه های مختلف آموزش دهیم. برای یکی از این نمونه ها رجوع شود داده های سری زمانی خوشه ای برای استفاده با آمازون Forecast.

به سوی تولید: به روز رسانی مجموعه داده، نظارت و بازآموزی

بیایید یک نمونه معماری را با Forecast بررسی کنیم، همانطور که در نمودار زیر نشان داده شده است. هر بار که یک کاربر نهایی یک مجموعه داده جدید را در آن ادغام می کند سرویس ذخیره سازی ساده آمازون (Amazon S3)، باعث می شود توابع مرحله AWS برای هماهنگ کردن اجزای مختلف، از جمله ایجاد کار وارد کردن مجموعه داده، ایجاد یک پیش بینی خودکار، و ایجاد پیش بینی. پس از تولید نتایج پیش‌بینی، مرحله Create Forecast Export آن‌ها را برای مصرف‌کنندگان پایین‌دستی به Amazon S3 صادر می‌کند. برای اطلاعات بیشتر در مورد نحوه تهیه این خط لوله خودکار، به خودکارسازی با AWS CloudFormation. از یک پشته CloudFormation برای استقرار خودکار مجموعه های داده در سطل S3 و راه اندازی خط لوله Forecast استفاده می کند. می توانید از همان پشته اتوماسیون برای ایجاد پیش بینی با مجموعه داده های خود استفاده کنید.

دو راه برای گنجاندن روندهای اخیر در سیستم پیش بینی وجود دارد: به روز رسانی داده ها یا آموزش مجدد پیش بینی کننده.

برای ایجاد پیش‌بینی با داده‌های به‌روز شده که روندهای اخیر را منعکس می‌کند، باید فایل داده ورودی به‌روزرسانی‌شده را در یک سطل S3 آپلود کنید (داده‌های ورودی به‌روزرسانی شده همچنان باید شامل همه داده‌های موجود شما باشد). هنگام وارد کردن یک مجموعه داده به‌روز شده، پیش‌بینی به‌طور خودکار پیش‌بینی‌کننده را دوباره آموزش نمی‌دهد. تو می توانی ایجاد پیش بینی همانطور که معمولا انجام می دهید Forecast افق پیش بینی را از آخرین روز در داده های ورودی به روز شده پیش بینی می کند. بنابراین، روندهای اخیر در هر استنتاج جدید تولید شده توسط Forecast گنجانده شده است.

با این حال، اگر می خواهید پیش بینی کننده شما از داده های جدید آموزش ببیند، باید یک پیش بینی جدید ایجاد کنید. هنگامی که الگوهای داده ها (فصلی، روندها یا چرخه ها) تغییر می کند، ممکن است نیاز به آموزش مجدد مدل داشته باشید. همانطور که در دقت پیش‌بینی‌کننده را با پیش‌بینی آمازون به‌طور مداوم نظارت کنید، عملکرد یک پیش بینی کننده به دلیل عواملی مانند تغییرات در محیط اقتصادی یا رفتار مصرف کننده در طول زمان دچار نوسان می شود. بنابراین، پیش‌بینی‌کننده ممکن است نیاز به آموزش مجدد داشته باشد، یا ممکن است نیاز به ایجاد یک پیش‌بینی‌کننده جدید برای اطمینان از ادامه انجام پیش‌بینی‌های بسیار دقیق باشد. با کمک نظارت بر پیش بینیپیش‌بینی می‌تواند کیفیت پیش‌بینی‌کننده‌های شما را ردیابی کند، به شما این امکان را می‌دهد که تلاش‌های عملیاتی را کاهش دهید، در حالی که به شما کمک می‌کند تصمیمات آگاهانه‌تری در مورد حفظ، آموزش مجدد یا بازسازی پیش‌بینی‌کنندگان خود بگیرید.

نتیجه

Amazon Forecast یک سرویس پیش‌بینی سری زمانی است که بر اساس ML و برای تجزیه و تحلیل معیارهای تجاری ساخته شده است. ما می‌توانیم با ترکیب فروش تاریخی و سایر اطلاعات مرتبط مانند موجودی، تبلیغات یا فصل، پیش‌بینی پیش‌بینی تقاضا را با دقت بالا ادغام کنیم. در عرض 8 هفته، به یکی از مشتریان خرده‌فروشی خود کمک کردیم تا پیش‌بینی دقیق تقاضا را انجام دهد—10% بهبود در مقایسه با پیش‌بینی دستی. این منجر به صرفه جویی مستقیم 16 ساعت کار در ماه و افزایش فروش تخمینی تا 11.8٪ می شود.

این پست شیوه های متداول را برای رساندن پروژه پیش بینی شما از اثبات مفهوم به تولید به اشتراک گذاشته است. همین الان با پیش بینی آمازون برای دستیابی به پیش بینی های بسیار دقیق برای کسب و کار خود.

---

درباره نویسنده

یانوی کویدکترا، معمار راه حل های متخصص یادگیری ماشین در AWS است. او تحقیقات یادگیری ماشین را در IRISA (موسسه تحقیقات علوم کامپیوتر و سیستم‌های تصادفی) آغاز کرد و چندین سال تجربه در ساخت برنامه‌های صنعتی مبتنی بر هوش مصنوعی در بینایی کامپیوتر، پردازش زبان طبیعی و پیش‌بینی رفتار کاربر آنلاین دارد. در AWS، او تخصص دامنه را به اشتراک می‌گذارد و به مشتریان کمک می‌کند تا پتانسیل‌های کسب‌وکار را باز کنند و با یادگیری ماشینی در مقیاس، نتایج عملی را به دست آورند. در خارج از محل کار از مطالعه و مسافرت لذت می برد.

گوردون وانگ یک دانشمند ارشد داده در تیم خدمات حرفه ای در خدمات وب آمازون است. او از مشتریان در بسیاری از صنایع از جمله رسانه، تولید، انرژی، خرده فروشی و مراقبت های بهداشتی پشتیبانی می کند. او علاقه زیادی به بینایی کامپیوتر، یادگیری عمیق و MLO دارد. در اوقات فراغت خود عاشق دویدن و پیاده روی است.