Luo kylmäkäynnistysennusteita tuotteille ilman historiallisia tietoja Amazon Forecastin avulla, nyt jopa 45 % tarkempi

nyt Amazonin sääennuste, voit luoda jopa 45 % tarkempia ennusteita tuotteille ilman historiallisia tietoja. Forecast on hallittu palvelu, joka käyttää koneoppimista (ML) luomaan tarkkoja kysyntäennusteita ilman, että vaaditaan ML-kokemusta. Tarkka ennustaminen on varaston optimoinnin, logistiikan suunnittelun ja työvoiman hallinnan perusta, ja sen avulla yritykset voivat valmistautua paremmin palvelemaan asiakkaitaan. Ennuste kylmäkäynnistys on yleinen haaste, jossa on tarve luoda ennuste, mutta tuotteelle ei ole historiallisia tietoja. Tämä on tyypillistä toimialoilla, kuten vähittäiskaupassa, valmistuksessa tai kuluttajapakatuissa tuotteissa, joilla uusien tuotteiden markkinoille tuodaan nopeasti tuomalla markkinoille uusia tuotemerkkejä, ottamalla käyttöön brändejä tai luetteloita ensimmäistä kertaa tai myymällä tuotteita ristiin uusille alueille. Tämän julkaisun myötä paransimme nykyistä lähestymistapaamme kylmäkäynnistysennusteisiin ja tarjoamme nyt ennusteita, jotka ovat jopa 45 % tarkempia.

Kylmäkäynnistyksen ennustemallin kehittäminen voi olla haastavaa, koska perinteiset tilastolliset ennustusmenetelmät, kuten Autoregressive Integrated Moving Average (ARIMA) tai Exponentential Smoothing, on rakennettu konseptilla, että tuotteen historiatietojen perusteella voidaan ennustaa sen tulevia arvoja. Mutta ilman historiallisia tietoja mallin parametreja ei voida laskea, eikä mallia siten voida rakentaa. Forecastilla oli jo kyky luoda ennusteita kylmäkäynnistystuotteille patentoitujen tuotteiden avulla hermoverkkoalgoritmit kuten DeepAR+ ja CNN-QR. Nämä mallit oppivat tuotteiden väliset suhteet ja voivat luoda ennusteita tuotteille ilman historiallisia tietoja. Nimikkeiden metatietojen käyttö näiden suhteiden luomiseen oli implisiittistä, mikä tarkoitti, että verkot eivät pystyneet täysin ekstrapoloimaan kylmäkäynnistystuotteiden trendiominaisuuksia.

Julkaisimme tänään uuden lähestymistavan kylmäkäynnistyksen ennustamiseen, joka on jopa 45 % aiempaa tarkempi. Tämä lähestymistapa parantaa tuotteiden metatietojen käsittelyä, jonka avulla tunnistamme tietojoukostasi sellaiset tuotteet, joilla on eniten samankaltaisia ​​ominaisuuksia kuin kylmäkäynnistystuotteita. Keskittymällä tähän samankaltaisten tuotteiden osajoukkoon pystymme paremmin oppimaan trendejä, jotta voimme luoda ennusteen kylmäkäynnistystuotteelle. Esimerkiksi muotikauppias, joka esittelee uuden T-paitamalliston, haluaa ennustaa kyseisen tuotelinjan kysynnän myymälän varaston optimoimiseksi. Voit tarjota Forecastille historiatietoja muista luettelossasi olevista tuotteista, kuten olemassa olevista t-paitalinjoista, takkeista, housuista ja kengistä, sekä tuotteiden metatietoja, kuten tuotemerkki, väri, koko ja tuoteluokka sekä uusille että olemassa oleville. Tuotteet. Näiden metatietojen avulla Forecast tunnistaa automaattisesti tuotteet, jotka liittyvät läheisimmin uuteen T-paitasarjaan, ja käyttää niitä ennusteiden luomiseen T-paitasarjalle.

Tämä ominaisuus on käytettävissä kaikilla alueilla, joilla ennuste on julkisesti saatavilla AWS-hallintakonsoli tai AutoPredictor API. Lisätietoja alueen saatavuudesta, katso AWS: n alueelliset palvelut. Aloita Forecastin käyttäminen kylmäkäynnistyksen ennustamiseen katsomalla Ennusteiden luominen tai GitHub-muistikirja.

Ratkaisun yleiskatsaus

Tämän viestin vaiheet osoittavat, kuinka Forecastia käytetään kylmäkäynnistyksen ennustamiseen AWS-hallintakonsoli. Käymme läpi esimerkin jälleenmyyjästä, joka luo varastokysyntäennusteen äskettäin lanseeratulle tuotteelle noudattamalla Ennuste-sovelluksen kolmea vaihetta: tietojen tuominen, ennustajan kouluttaminen ja ennusteen luominen. Jos haluat käyttää Forecast API:ta suoraan kylmäkäynnistyksen ennustamiseen, noudata muistikirjaamme GitHub repo, joka tarjoaa analogisen esittelyn.

Tuo harjoitustietosi

Jotta voit käyttää uutta kylmäkäynnistysennustemenetelmää, sinun on tuotava kaksi CSV-tiedostoa: yksi tiedosto, joka sisältää kohdeaikasarjan tiedot (jossa näkyy ennustekohde), ja toinen tiedosto, joka sisältää tuotteen metatiedot (jossa näkyy tuotteen ominaisuudet, kuten koko tai väri). Ennuste tunnistaa kylmäkäynnistystuotteet tuotteiksi, jotka ovat kohteen metatietotiedostossa, mutta eivät ole tavoiteaikasarjatiedostossa.

Jotta kylmäkäynnistystuotteesi voidaan tunnistaa oikein, varmista, että kylmäkäynnistystuotteesi tuotetunnus on syötetty riville nimikkeen metatietotiedostoon ja että se ei sisälly kohdeaikasarjatiedostoon. Jos kyseessä on useita kylmäkäynnistystuotteita, kirjoita kunkin tuotenimikkeen tunnus erilliseksi riviksi nimikkeen metatietotiedostoon. Jos sinulla ei vielä ole tuotetunnusta kylmäkäynnistystuotteellesi, voit käyttää mitä tahansa alle 64 merkin pituista aakkosnumeerista yhdistelmää, joka ei jo edusta toista tietojoukossasi olevaa tuotetta.

Esimerkissämme kohdeaikasarjatiedosto sisältää tuotenimikkeen tunnuksen, aikaleiman ja kysynnän (varasto), ja nimikkeen metatietotiedosto sisältää tuotenimikkeen tunnuksen, värin, tuoteluokan ja sijainnin.

Tuo tietosi suorittamalla seuraavat vaiheet:

1. Valitse Ennustekonsolissa Näytä tietojoukkoryhmät.

2. Valita Luo tietojoukoryhmä.

3. varten Dataset-ryhmän nimi, anna tietojoukon nimi (tälle viestille my_company_shoe_inventory).
4. Valitse Ennusteverkkotunnukseksi ennusteverkkotunnus (tälle viestille Vähittäismyynti).
5. Valitse Seuraava.

6. Anna Luo kohdeaikasarjan tietojoukko -sivulla tietojoukon nimi, tietojen tiheys ja tietoskeema.
7. Anna tietojoukon tuontitiedot.
8. Valitse Aloita.

Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyn kohdeaikasarjasivun tiedot.

Sinut ohjataan kojelautaan, jonka avulla voit seurata edistymistä.

1. Tuo kohteen metatietotiedosto valitsemalla kojelaudassa Tuo.

2. On Luo kohteen metatietotietojoukko sivulla, anna tietojoukon nimi ja tietoskeema.
3. Anna tietojoukon tuontitiedot.
4. Valita Aloita.

Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyt tiedot.

Kouluta ennustaja

Seuraavaksi koulutamme ennustajaa.

1. Valitse kojelaudassa Junaennuste.

2. On Junaennuste -sivulle, anna ennustajalle nimi, kuinka kauan tulevaisuudessa haluat ennustaa ja millä tiheydellä sekä kvantiilien lukumäärä, joille haluat ennustaa.
3. Enable AutoPredictor. Tämä tarvitaan kylmäkäynnistyksen ennustamiseen.
4. Valita luoda.

Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyt tiedot.

Luo ennuste

Kun ennustajamme on koulutettu (tämä voi kestää noin 2.5 tuntia), luomme ennusteen juuri lanseeratulle tuotteelle. Tiedät, että ennustajasi on koulutettu, kun näet Näytä ennustajat -painiketta kojelaudassasi.

1. Valita Luo ennuste kojelaudalla.

2. On Luo ennuste -sivulle, anna ennusteen nimi, valitse luomasi ennustaja ja määritä ennusteen kvantiilit (valinnainen) ja kohteet, joille ennuste luodaan.
3. Valita Aloita.

Vie ennusteet

Kun ennuste on luotu, voit viedä tiedot CSV-tiedostoon. Tiedät, että ennustesi luodaan, kun näet tilan olevan aktiivinen.

1. Valita Luo ennusteen vienti.

2. Anna vientitiedoston nimi (tälle viestille my_cold_start_forecast_export).
3. varten Vientipaikka, määritä Amazonin yksinkertainen tallennuspalvelu (Amazon S3) sijainti.
4. Valita Aloita.

5. Jos haluat ladata viennin, siirry konsolista S3-tiedostopolun sijaintiin, valitse tiedosto ja valitse Lataa.

Vientitiedosto sisältää aikaleiman, nimikkeen tunnuksen, nimikkeen metatiedot ja ennusteet kullekin valitulle kvantiilille.

Tarkastele ennusteitasi

Kun ennuste on luotu, voit tarkastella uusien tuotteiden ennusteita graafisesti konsolissa.

1. Valita Kysely ennuste kojelaudalla.

2. Valitse edellisessä vaiheessa luodun ennusteen nimi (esimerkissämme oma_kylmä_aloitus_ennusteeni).
3. Anna aloitus- ja lopetuspäivä, jolloin haluat tarkastella ennustettasi.
4. Lisää ennusteavaimen tuotetunnuskenttään kylmäkäynnistystuotteesi yksilöllinen tunnus.
5. valitsin Hanki ennuste.

Kuvassa näet minkä tahansa valitun kvantiilin ennusteen.

Yhteenveto

Ennusteen avulla voit saada samat ennustetiedot kylmäkäynnistystuotteista ilman historiallisia tietoja, nyt jopa 45 % tarkempia kuin ennen. Voit luoda kylmäkäynnistysennusteita Forecastin avulla avaamalla Forecast-konsolin ja noudattamalla tässä viestissä kuvattuja ohjeita tai katsomalla GitHub-muistikirja kuinka päästä toimintoon API:n kautta. Lisätietoja saat osoitteesta Ennusteiden luominen.

---

Tietoja kirjoittajista

Brandon Nair on Amazon Forecastin vanhempi tuotepäällikkö. Hänen ammatillinen kiinnostuksensa on skaalautuvien koneoppimispalvelujen ja -sovellusten luominen. Työn ulkopuolella hänet voi tavata tutkimassa kansallispuistoja, parantamassa golfswingiä tai suunnittelemassa seikkailumatkaa.

Manas Dadarkar on ohjelmistokehityspäällikkö, joka omistaa Amazon Forecast -palvelun suunnittelun. Hän suhtautuu intohimoisesti koneoppimisen sovelluksiin ja ML-teknologioiden tekemiseen helposti kaikkien saataville otettaviksi ja otettaviksi tuotantoon. Työn ulkopuolella hänellä on monia kiinnostuksen kohteita, kuten matkustaminen, lukeminen ja ajan viettäminen ystävien ja perheen kanssa.

Bharat Nandamuri on vanhempi ohjelmistosuunnittelija, joka työskentelee Amazon Forecastin parissa. Hän on intohimoinen korkean mittakaavan taustapalveluiden rakentamiseen keskittyen ML-järjestelmien suunnitteluun. Työn ulkopuolella hän pelaa shakkia, patikoi ja katselee elokuvia.

Gaurav Gupta on soveltuva tutkija AWS AI Labsissa ja Amazon Forecastissa. Hänen tutkimuskohteensa ovat peräkkäisten tietojen koneoppiminen, osittaisdifferentiaaliyhtälöiden operaattorioppiminen, aallot. Hän valmistui tohtoriksi Etelä-Kalifornian yliopistosta ennen liittymistään AWS:ään.