Générez des prévisions de démarrage à froid pour les produits sans données historiques à l'aide d'Amazon Forecast, désormais jusqu'à 45 % plus précises

maintenant, avec Prévisions Amazon, vous pouvez générer des prévisions jusqu'à 45 % plus précises pour les produits sans données historiques. Forecast est un service géré qui utilise l'apprentissage automatique (ML) pour générer des prévisions de demande précises, sans nécessiter d'expérience en ML. Des prévisions précises sont à la base de l'optimisation des stocks, de la planification logistique et de la gestion de la main-d'œuvre et permettent aux entreprises d'être mieux préparées pour servir leurs clients. Prévision de démarrage à froid est un défi commun où il est nécessaire de générer une prévision mais il n'y a pas de données historiques pour le produit. Ceci est typique dans des secteurs tels que la vente au détail, la fabrication ou les biens de consommation emballés où il y a des introductions rapides de nouveaux produits en mettant sur le marché des produits nouvellement développés, en intégrant des marques ou des catalogues pour la toute première fois, ou en vendant des produits croisés dans de nouvelles régions. Avec ce lancement, nous avons amélioré notre approche existante des prévisions de démarrage à froid et fournissons désormais des prévisions jusqu'à 45 % plus précises.

Il peut être difficile de développer un modèle de prévision de démarrage à froid, car les méthodes de prévision statistique traditionnelles telles que la moyenne mobile intégrée autorégressive (ARIMA) ou le lissage exponentiel reposent sur le concept selon lequel les données historiques d'un produit peuvent être utilisées pour prédire ses valeurs futures. Mais, sans données historiques, les paramètres du modèle ne peuvent pas être calculés et donc le modèle ne peut pas être construit. Forecast avait déjà la possibilité de générer des prévisions pour les produits de démarrage à froid à l'aide de algorithmes de réseau de neurones comme DeepAR+ et CNN-QR. Ces modèles apprennent les relations entre les produits et peuvent générer des prévisions pour les produits sans données historiques. L'utilisation de métadonnées d'articles pour établir ces relations était implicite, ce qui signifiait que les réseaux n'étaient pas en mesure d'extrapoler entièrement les caractéristiques de tendance pour les produits de démarrage à froid.

Aujourd'hui, nous avons lancé une nouvelle approche pour les prévisions de démarrage à froid qui est jusqu'à 45 % plus précise qu'auparavant. Cette approche améliore notre traitement des métadonnées des articles grâce auxquelles nous identifions les produits explicites de votre ensemble de données qui présentent les caractéristiques les plus similaires aux produits de démarrage à froid. En nous concentrant sur ce sous-ensemble de produits similaires, nous sommes en mesure de mieux connaître les tendances pour générer une prévision pour le produit de démarrage à froid. Par exemple, un détaillant de mode introduisant une nouvelle ligne de t-shirts voudra prévoir la demande pour cette ligne afin d'optimiser l'inventaire du magasin. Vous pouvez fournir à Forecast des données historiques pour d'autres produits de votre catalogue, tels que des lignes de t-shirts, des vestes, des pantalons et des chaussures existants, ainsi que des métadonnées d'articles telles que le nom de la marque, la couleur, la taille et la catégorie de produits pour les produits nouveaux et existants. des produits. Avec ces métadonnées, Forecast détecte automatiquement les produits les plus étroitement liés à la nouvelle ligne de t-shirts et les utilise pour générer des prévisions pour la ligne de t-shirts.

Cette fonctionnalité est disponible dans toutes les régions où les prévisions sont accessibles au public via le Console de gestion AWS au sein de l’ API AutoPredictor. Pour plus d'informations sur la disponibilité de la région, voir Services régionaux AWS. Pour commencer à utiliser Forecast pour les prévisions de démarrage à froid, reportez-vous à Génération de prévisions au sein de l’ Bloc-notes GitHub.

Vue d'ensemble de la solution

Les étapes décrites dans cet article montrent comment utiliser Forecast pour les prévisions de démarrage à froid sur le Console de gestion AWS. Nous passons en revue l'exemple d'un détaillant générant une prévision de la demande d'inventaire pour un produit nouvellement lancé en suivant les trois étapes de la prévision : importer vos données, former un prédicteur et créer une prévision. Pour utiliser directement l'API Forecast pour les prévisions de démarrage à froid, suivez le bloc-notes dans notre GitHub repo, qui fournit une démonstration analogue.

Importez vos données d'entraînement

Pour utiliser la nouvelle méthode de prévision de démarrage à froid, vous devez importer deux fichiers CSV : un fichier contenant les données de la série chronologique cible (affichant la cible de prédiction) et un autre fichier contenant les métadonnées de l'article (affichant les caractéristiques du produit telles que la taille ou la couleur). La prévision identifie les produits de démarrage à froid comme les produits qui sont présents dans le fichier de métadonnées de l'article mais qui ne sont pas présents dans le fichier de série chronologique cible.

Pour identifier correctement votre produit à démarrage à froid, assurez-vous que l'ID d'article de votre produit à démarrage à froid est entré sous forme de ligne dans votre fichier de métadonnées d'article et qu'il ne figure pas dans le fichier de série temporelle cible. Pour plusieurs produits à démarrage à froid, entrez chaque ID d'article de produit sur une ligne distincte dans le fichier de métadonnées de l'article. Si vous n'avez pas encore d'ID d'article pour votre produit de démarrage à froid, vous pouvez utiliser n'importe quelle combinaison alphanumérique de moins de 64 caractères qui n'est pas déjà représentative d'un autre produit dans votre jeu de données.

Dans notre exemple, le fichier de séries chronologiques cible contient l'ID d'article de produit, l'horodatage et la demande (inventaire), et le fichier de métadonnées d'article contient l'ID d'article de produit, la couleur, la catégorie de produit et l'emplacement.

Pour importer vos données, procédez comme suit :

1. Sur la console des prévisions, choisissez Afficher les groupes d'ensembles de données.

2. Selectionnez Créer un groupe de jeux de données.

3. Pour Nom du groupe de données, saisissez un nom de jeu de données (pour cet article, my_company_shoe_inventory).
4. Pour Domaine de prévision, choisissez un domaine de prévision (pour cette publication, Vente au détail).
5. Choisissez Suivant.

6. Sur la page Créer un ensemble de données de série chronologique cible, indiquez le nom de l'ensemble de données, la fréquence de vos données et le schéma de données.
7. Fournissez les détails d'importation de l'ensemble de données.
8. Choisissez Démarrer.

La capture d'écran suivante montre les informations de la page de série chronologique cible remplie pour notre exemple.

Vous êtes redirigé vers le tableau de bord que vous pouvez utiliser pour suivre les progrès.

1. Pour importer le fichier de métadonnées de l'article, sur le tableau de bord, choisissez L’.

2. Sur le Créer un ensemble de données de métadonnées d'élément , indiquez le nom de l'ensemble de données et le schéma de données.
3. Fournissez les détails d'importation de l'ensemble de données.
4. Selectionnez Accueil.

La capture d'écran suivante montre les informations renseignées pour notre exemple.

Former un prédicteur

Ensuite, nous formons un prédicteur.

1. Sur le tableau de bord, choisissez Prédicteur de train.

2. Sur le Prédicteur de train , entrez un nom pour votre prédicteur, combien de temps dans le futur vous voulez prévoir et à quelle fréquence, et le nombre de quantiles pour lesquels vous voulez prévoir.
3. Activer Prédicteur automatique. Ceci est nécessaire pour les prévisions de démarrage à froid.
4. Selectionnez Création.

La capture d'écran suivante montre les informations renseignées pour notre exemple.

Créer une prévision

Une fois notre prédicteur formé (cela peut prendre environ 2.5 heures), nous créons une prévision pour le produit nouvellement lancé. Vous saurez que votre prédicteur est formé lorsque vous verrez le Afficher les prédicteurs bouton sur votre tableau de bord.

1. Selectionnez Créer une prévision sur le tableau de bord.

2. Sur le Créer une prévision , entrez un nom de prévision, choisissez le prédicteur que vous avez créé et spécifiez les quantiles de prévision (facultatif) et les éléments pour lesquels générer une prévision.
3. Selectionnez Accueil.

Exportez vos prévisions

Une fois votre prévision créée, vous pouvez exporter les données au format CSV. Vous saurez que votre prévision est créée lorsque vous voyez que le statut est actif.

1. Selectionnez Créer une exportation de prévisions.

2. Saisissez le nom du fichier d'exportation (pour cet article, my_cold_start_forecast_export).
3. Pour Lieu d'exportation, spécifie le Service de stockage simple Amazon (Amazon S3).
4. Selectionnez Accueil.

5. Pour télécharger l'exportation, accédez à l'emplacement du chemin d'accès au fichier S3 à partir de la console, puis sélectionnez le fichier et choisissez Télécharger.

Le fichier d'exportation contient l'horodatage, l'ID de l'élément, les métadonnées de l'élément et les prévisions pour chaque quantile sélectionné.

Consultez vos prévisions

Une fois votre prévision créée, vous pouvez afficher graphiquement les prévisions pour les nouveaux produits sur la console.

1. Selectionnez Prévision de requête sur le tableau de bord.

2. Choisissez le nom de la prévision créée à l'étape précédente (my_cold_start_forecast dans notre exemple).
3. Entrez la date de début et la date de fin pour lesquelles vous souhaitez afficher vos prévisions.
4. Dans le champ ID d'article de la clé de prévision, ajoutez l'ID unique de votre produit de démarrage à froid.
5. Choisissez Obtenir des prévisions.

Dans la figure, vous verrez la prévision pour tout quantile sélectionné.

Conclusion

Avec Forecast, vous pouvez obtenir les mêmes informations de prévision pour les produits à démarrage à froid sans données historiques, désormais jusqu'à 45 % plus précises qu'auparavant. Pour générer des prévisions de démarrage à froid avec Forecast, ouvrez la console Forecast et suivez les étapes décrites dans cet article, ou consultez notre Bloc-notes GitHub sur la façon d'accéder à la fonctionnalité via l'API. Pour en savoir plus, consultez Génération de prévisions.

---

À propos des auteurs

Brandon Naire est chef de produit senior pour Amazon Forecast. Son intérêt professionnel réside dans la création de services et d'applications d'apprentissage automatique évolutifs. En dehors du travail, on peut le trouver en train d'explorer les parcs nationaux, de perfectionner son swing de golf ou de planifier un voyage d'aventure.

Manas Dadarkar est un responsable du développement logiciel qui possède l'ingénierie du service Amazon Forecast. Il est passionné par les applications de l'apprentissage automatique et la mise à disposition facile des technologies ML pour que chacun puisse les adopter et les déployer en production. En dehors du travail, il a de multiples intérêts, notamment voyager, lire et passer du temps avec ses amis et sa famille.

Bharat Nandamuri est un ingénieur logiciel senior travaillant sur Amazon Forecast. Il est passionné par la création de services backend à grande échelle, en mettant l'accent sur l'ingénierie des systèmes ML. En dehors du travail, il aime jouer aux échecs, faire de la randonnée et regarder des films.

Gaurav Gupta est scientifique appliquée dans les laboratoires AWS AI et Amazon Forecast. Ses intérêts de recherche portent sur l'apprentissage automatique pour les données séquentielles, l'apprentissage des opérateurs pour les équations aux dérivées partielles, les ondelettes. Il a obtenu son doctorat à l'Université de Californie du Sud avant de rejoindre AWS.