Ini adalah kiriman tamu yang ditulis bersama oleh Nafi Ahmet Turgut, Mutlu Polatcan, Pınar Baki, Mehmet İkbal Özmen, Hasan Burak Yel, dan Hamza Akyıldız dari Getir.
membawa adalah pelopor pengiriman bahan makanan ultrafast. Perusahaan teknologi telah merevolusi pengiriman jarak jauh dengan proposisi pengiriman "bahan makanan dalam hitungan menit". Getir didirikan pada tahun 2015 dan beroperasi di Turki, Inggris, Belanda, Jerman, Prancis, Spanyol, Italia, Portugal, dan Amerika Serikat. Hari ini, Getir adalah konglomerat yang menggabungkan sembilan vertikal dengan merek yang sama.
Memprediksi permintaan di masa mendatang adalah salah satu wawasan terpenting bagi Getir dan salah satu tantangan terbesar yang kami hadapi. Getir sangat bergantung pada prakiraan permintaan yang akurat di tingkat SKU saat membuat keputusan bisnis di berbagai bidang, termasuk pemasaran, produksi, inventaris, dan keuangan. Prakiraan yang akurat diperlukan untuk mendukung keputusan penyimpanan dan penambahan persediaan. Memiliki gambaran yang jelas dan andal tentang perkiraan permintaan untuk hari atau minggu berikutnya memungkinkan kami menyesuaikan strategi dan meningkatkan kemampuan untuk memenuhi sasaran penjualan dan pendapatan.
Getir digunakan Prakiraan Amazon, layanan terkelola penuh yang menggunakan algoritme pembelajaran mesin (ML) untuk memberikan prakiraan deret waktu yang sangat akurat, untuk meningkatkan pendapatan sebesar empat persen dan mengurangi biaya limbah sebesar 50 persen. Dalam posting ini, kami menjelaskan bagaimana kami menggunakan Prakiraan untuk mencapai manfaat ini. Kami menguraikan bagaimana kami membuat saluran perkiraan permintaan otomatis menggunakan Prakiraan dan diatur oleh Fungsi Langkah AWS untuk memprediksi permintaan harian untuk SKU. Solusi ini menghasilkan prakiraan yang sangat akurat untuk lebih dari 10,000 SKU di semua negara tempat kami beroperasi, dan berkontribusi secara signifikan terhadap kemampuan kami untuk mengembangkan proses rantai pasokan internal yang dapat diskalakan tinggi.
Prakiraan mengotomatiskan sebagian besar proses peramalan deret waktu, memungkinkan Anda untuk fokus menyiapkan kumpulan data dan menafsirkan prediksi Anda.
Step Functions adalah layanan terkelola penuh yang mempermudah koordinasi komponen aplikasi terdistribusi dan layanan mikro menggunakan alur kerja visual. Membangun aplikasi dari masing-masing komponen yang masing-masing menjalankan fungsi terpisah membantu Anda menskalakan dengan lebih mudah dan mengubah aplikasi dengan lebih cepat. Step Functions secara otomatis memicu dan melacak setiap langkah dan mencoba lagi ketika ada kesalahan, sehingga aplikasi Anda berjalan sesuai urutan dan seperti yang diharapkan.
Ikhtisar solusi
Enam orang dari tim ilmu data dan tim infrastruktur Getir bekerja sama dalam proyek ini. Proyek ini selesai dalam 3 bulan dan digunakan untuk produksi setelah 2 bulan pengujian.
Diagram berikut menunjukkan arsitektur solusi.
Model pipeline dijalankan secara terpisah untuk setiap negara. Arsitekturnya mencakup empat pekerjaan cron Airflow yang berjalan pada jadwal yang ditentukan. Pipeline dimulai dengan pembuatan fitur yang pertama kali membuat fitur dan memuatnya Pergeseran Merah Amazon. Berikutnya, tugas pemrosesan fitur menyiapkan fitur harian yang disimpan di Amazon Redshift dan mengeluarkan data deret waktu ke Layanan Penyimpanan Sederhana Amazon (Amazon S3). Pekerjaan Aliran Udara kedua bertanggung jawab untuk memicu pipa Prakiraan melalui Jembatan Acara Amazon. Pipeline terdiri dari fungsi Amazon Lambda, yang membuat prediktor dan prakiraan berdasarkan parameter yang disimpan di Amazon S3. Prakiraan membaca data dari Amazon S3, melatih model dengan pengoptimalan hyperparameter (HPO) untuk mengoptimalkan kinerja model, dan menghasilkan prediksi masa depan untuk penjualan produk. Kemudian pipeline “WaitInProgress” Step Functions dipicu untuk setiap negara, yang memungkinkan eksekusi paralel pipeline untuk setiap negara.
Pemilihan Algoritma
Amazon Forecast memiliki enam algoritme bawaan (ARIMA, ETS, NPT, nabi, DeepAR+, CNN-QR), yang dikelompokkan menjadi dua kelompok: statistik dan jaringan dalam/saraf. Di antara algoritme tersebut, jaringan dalam/neural lebih cocok untuk masalah perkiraan e-commerce karena mereka menerima fitur metadata item, fitur berwawasan ke depan untuk aktivitas kampanye dan pemasaran, dan – yang paling penting – fitur deret waktu terkait. Algoritme jaringan dalam/saraf juga bekerja sangat baik pada kumpulan data yang jarang dan dalam skenario cold-start (pengenalan item baru).
Secara keseluruhan, dalam eksperimen kami, kami mengamati bahwa model jaringan dalam/saraf memiliki kinerja yang jauh lebih baik daripada model statistik. Oleh karena itu, kami memfokuskan pengujian mendalam kami pada DeepAR+ dan CNN-QR
Salah satu manfaat terpenting Amazon Forecast adalah skalabilitas dan hasil yang akurat untuk banyak kombinasi produk dan negara. Dalam pengujian kami, algoritma DeepAR+ dan CNN-QR membawa kesuksesan dalam menangkap tren dan musiman, memungkinkan kami memperoleh hasil yang efisien pada produk yang permintaannya sangat sering berubah.
Deep AutoRegressive Plus (DeepAR+) adalah algoritma peramalan univariat yang diawasi berdasarkan jaringan saraf berulang (RNNs) yang dibuat oleh Penelitian Amazon. Keuntungan utamanya adalah mudah diskalakan, mampu memasukkan ko-variat yang relevan ke dalam data (seperti data terkait dan metadata), dan mampu memperkirakan item cold-start. Alih-alih menyesuaikan model terpisah untuk setiap deret waktu, ini membuat model global dari deret waktu terkait untuk menangani skala yang sangat bervariasi melalui penskalaan ulang dan pengambilan sampel berbasis kecepatan. Arsitektur RNN menggabungkan kemungkinan binomial untuk menghasilkan peramalan probabilistik dan dianjurkan untuk mengungguli metode peramalan item tunggal tradisional (seperti Nabi) oleh penulis DeepAR: Peramalan Probabilistik dengan Jaringan Berulang Autoregresif.
Kami akhirnya memilih Amazon CNN-QR (Convolutional Neural Network – Quantile Regression) algoritma untuk peramalan kami karena kinerjanya yang tinggi dalam proses backtest. CNN-QR adalah algoritme ML berpemilik yang dikembangkan oleh Amazon untuk meramalkan deret waktu skalar (satu dimensi) menggunakan Jaringan Syaraf Konvolusional (CNN) kausal.
Seperti disebutkan sebelumnya, CNN-QR dapat menggunakan deret waktu dan metadata terkait tentang item yang diramalkan. Metadata harus menyertakan entri untuk semua item unik dalam deret waktu target, yang dalam kasus kami adalah produk yang permintaannya kami perkirakan. Untuk meningkatkan akurasi, kami menggunakan metadata kategori dan subkategori, yang membantu model memahami hubungan antara produk tertentu, termasuk pelengkap dan pengganti. Misalnya, untuk minuman, kami menyediakan bendera tambahan untuk makanan ringan karena kedua kategori tersebut saling melengkapi.
Satu keuntungan signifikan dari CNN-QR adalah kemampuannya untuk memperkirakan tanpa deret waktu terkait di masa mendatang, yang penting jika Anda tidak dapat menyediakan fitur terkait untuk jendela perkiraan. Kemampuan ini, bersama dengan akurasi prakiraannya, membuat CNN-QR memberikan hasil terbaik dengan data dan kasus penggunaan kami.
Keluaran Prakiraan
Prakiraan yang dibuat melalui sistem ditulis ke bucket S3 terpisah setelah diterima berdasarkan negara. Kemudian, prakiraan ditulis ke Amazon Redshift berdasarkan SKU dan negara dengan pekerjaan harian. Kami kemudian melakukan perencanaan stok produk harian berdasarkan perkiraan kami.
Secara berkelanjutan, kami menghitung rasio rata-rata kesalahan persentase absolut (MAPE) dengan data berbasis produk, dan mengoptimalkan proses penyerapan model dan fitur.
Kesimpulan
Dalam postingan ini, kami menelusuri pipeline perkiraan permintaan otomatis yang kami bangun menggunakan Amazon Forecast dan AWS Step Functions.
Dengan Amazon Forecast, kami meningkatkan MAPE khusus negara sebesar 10 persen. Ini telah mendorong peningkatan pendapatan sebesar empat persen, dan menurunkan biaya limbah kami sebesar 50 persen. Selain itu, kami mencapai peningkatan 80 persen dalam waktu pelatihan kami dalam prakiraan harian dalam hal skalabilitas. Kami dapat memperkirakan lebih dari 10,000 SKU setiap hari di semua negara yang kami layani.
Untuk informasi lebih lanjut tentang cara mulai membuat jaringan pipa Anda sendiri dengan Prakiraan, lihat Sumber daya Amazon Forecast. Anda juga bisa berkunjung Fungsi Langkah AWS untuk mendapatkan informasi selengkapnya tentang cara membuat proses otomatis dan mengatur serta membuat pipeline ML. Selamat memperkirakan, dan mulai tingkatkan bisnis Anda hari ini!
Tentang Penulis
Nafi Ahmet Turgut menyelesaikan gelar Magister Teknik Elektro & Elektronik dan bekerja sebagai ilmuwan riset pascasarjana. Fokusnya adalah membangun algoritme pembelajaran mesin untuk mensimulasikan anomali jaringan saraf. Dia bergabung dengan Getir pada tahun 2019 dan saat ini bekerja sebagai Senior Data Science & Analytics Manager. Timnya bertanggung jawab untuk merancang, mengimplementasikan, dan memelihara algoritme pembelajaran mesin end-to-end dan solusi berbasis data untuk Getir.
Mutlu Polatcan adalah Staff Data Engineer di Getir, yang berspesialisasi dalam merancang dan membangun platform data cloud-native. Dia suka menggabungkan proyek sumber terbuka dengan layanan cloud.
Pinar Baki menerima gelar Master dari Departemen Teknik Komputer di Universitas Boğaziçi. Dia bekerja sebagai ilmuwan data di Arcelik, berfokus pada model rekomendasi suku cadang dan analisis usia, jenis kelamin, emosi dari data ucapan. Dia kemudian bergabung dengan Getir pada tahun 2022 sebagai Ilmuwan Data Senior yang mengerjakan proyek peramalan dan mesin pencari.
Mehmet Ikbal Ozmen menerima gelar Master di bidang Ekonomi dan bekerja sebagai Asisten Peneliti Pascasarjana. Bidang penelitiannya terutama adalah model deret waktu ekonomi, simulasi Markov, dan peramalan resesi. Dia kemudian bergabung dengan Getir pada tahun 2019 dan saat ini bekerja sebagai Data Science & Analytics Manager. Timnya bertanggung jawab atas pengoptimalan dan perkiraan algoritme untuk memecahkan masalah rumit yang dialami oleh operasi dan bisnis rantai pasokan.
Hasan Burak Yel menerima gelar Sarjana Teknik Listrik & Elektronik di Universitas Boğaziçi. Dia bekerja di Turkcell, terutama berfokus pada peramalan deret waktu, visualisasi data, dan otomatisasi jaringan. Dia bergabung dengan Getir pada tahun 2021 dan saat ini bekerja sebagai Lead Data Scientist dengan tanggung jawab Search & Recommendation Engine dan Model Perilaku Pelanggan.
Hamzah Akyıldız menerima gelar Sarjana Matematika dan Teknik Komputer di Universitas Boğaziçi. Dia berfokus pada pengoptimalan algoritme pembelajaran mesin dengan latar belakang matematika mereka. Dia bergabung dengan Getir pada tahun 2021, dan telah bekerja sebagai Data Scientist. Dia telah mengerjakan proyek terkait Personalisasi dan Rantai Pasokan.
Esra Kayabali adalah Arsitek Solusi Senior di AWS, yang berspesialisasi dalam domain analitik termasuk pergudangan data, danau data, analitik data besar, streaming data real-time dan batch, serta integrasi data. Dia memiliki 12 tahun pengalaman pengembangan perangkat lunak dan arsitektur. Dia bersemangat untuk belajar dan mengajar teknologi cloud.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPO®. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/demand-forecasting-at-getir-built-with-amazon-forecast/
- :memiliki
- :adalah
- :Di mana
- 000
- 10
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 50
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- Mutlak
- Setuju
- ketepatan
- tepat
- Mencapai
- dicapai
- di seluruh
- kegiatan
- tambahan
- Tambahan
- Keuntungan
- keuntungan
- Setelah
- usia
- algoritma
- algoritma
- Semua
- Membiarkan
- memungkinkan
- sepanjang
- juga
- Amazon
- Prakiraan Amazon
- Pergeseran Merah Amazon
- Amazon Web Services
- antara
- an
- analisis
- analisis
- dan
- dan infrastruktur
- Aplikasi
- aplikasi
- arsitektur
- ADALAH
- DAERAH
- daerah
- AS
- Asisten
- At
- penulis
- Otomatis
- mengotomatiskan
- secara otomatis
- Otomatisasi
- AWS
- Fungsi Langkah AWS
- latar belakang
- Backtest
- berdasarkan
- dasar
- menjadi
- makhluk
- Manfaat
- TERBAIK
- Lebih baik
- antara
- Besar
- Big data
- Terbesar
- kedua
- merek
- Terbawa
- membangun
- Bangunan
- dibangun di
- built-in
- bisnis
- bisnis
- by
- menghitung
- Kampanye
- CAN
- Menangkap
- membawa
- kasus
- kategori
- Kategori
- tertentu
- rantai
- tantangan
- perubahan
- Perubahan
- jelas
- awan
- layanan cloud
- kombinasi
- menggabungkan
- perusahaan
- komplementer
- Lengkap
- kompleks
- komponen
- komputer
- Teknik Komputer
- konglomerat
- berkontribusi
- mengkoordinasikan
- Biaya
- Biaya
- negara
- negara
- khusus negara
- membuat
- dibuat
- menciptakan
- penciptaan
- Sekarang
- pelanggan
- perilaku pelanggan
- harian
- data
- Data Analytics
- ilmu data
- ilmuwan data
- kumpulan data
- visualisasi data
- Data-driven
- kumpulan data
- hari
- keputusan
- didefinisikan
- Derajat
- menyampaikan
- pengiriman
- Permintaan
- Peramalan permintaan
- Departemen
- dikerahkan
- menggambarkan
- merancang
- mengembangkan
- dikembangkan
- Pengembangan
- didistribusikan
- domain
- didorong
- dua
- e-commerce
- setiap
- mudah
- mudah
- Ekonomis
- Ekonomi
- efisien
- Elektronik
- memungkinkan
- memungkinkan
- ujung ke ujung
- Mesin
- insinyur
- Teknik
- masuk
- kesalahan
- kesalahan
- contoh
- Laksanakan
- eksekusi
- diharapkan
- pengalaman
- berpengalaman
- Menghadapi
- Fitur
- Fitur
- keuangan
- Pertama
- sesuai
- Fokus
- terfokus
- berfokus
- berfokus
- berikut
- Untuk
- Ramalan
- perkiraan
- berwawasan ke depan
- Didirikan di
- empat
- Prancis
- sering
- dari
- sepenuhnya
- fungsi
- fungsi
- masa depan
- Gender
- Jerman
- mendapatkan
- Aksi
- Anda
- lulus
- Grup
- Tamu
- tamu Post
- menangani
- senang
- memiliki
- he
- berat
- membantu
- membantu
- dia
- High
- sangat
- -nya
- memegang
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- Optimalisasi Hyperparameter
- mengimplementasikan
- penting
- memperbaiki
- ditingkatkan
- perbaikan
- meningkatkan
- in
- memasukkan
- termasuk
- Termasuk
- menggabungkan
- menggabungkan
- Meningkatkan
- sendiri-sendiri
- informasi
- Infrastruktur
- wawasan
- sebagai gantinya
- integrasi
- intern
- ke
- Pengantar
- inventaris
- IT
- Italia
- item
- NYA
- Pekerjaan
- Jobs
- bergabung
- jpg
- memimpin
- pengetahuan
- Dipimpin
- Tingkat
- 'like'
- beban
- mencintai
- mesin
- Mesin belajar
- Utama
- terutama
- mempertahankan
- MEMBUAT
- Membuat
- berhasil
- manajer
- banyak
- Marketing
- tuan
- matematis
- matematika
- berarti
- berarti
- Pelajari
- tersebut
- Metadata
- metode
- microservices
- ML
- model
- model
- bulan
- lebih
- paling
- banyak
- harus
- perlu
- Belanda
- jaringan
- jaringan
- saraf jaringan
- jaringan saraf
- New
- berikutnya
- memperoleh
- of
- on
- ONE
- terus-menerus
- open source
- beroperasi
- beroperasi
- operasi
- optimasi
- Optimize
- mengoptimalkan
- or
- diatur
- urutan
- Lainnya
- kami
- di luar
- garis besar
- Mengungguli
- lebih
- sendiri
- Paralel
- parameter
- bergairah
- Konsultan Ahli
- persen
- persentase
- Melakukan
- prestasi
- Personalisasi
- gambar
- pelopor
- pipa saluran
- perencanaan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- plus
- Portugal
- Pos
- meramalkan
- diprediksi
- Prediksi
- Mempersiapkan
- mempersiapkan
- sebelumnya
- masalah
- proses
- proses
- pengolahan
- menghasilkan
- Diproduksi
- Produk
- Produksi
- Produk
- proyek
- memprojeksikan
- dalil
- hak milik
- memberikan
- segera
- jarak
- real-time
- data waktu nyata
- diterima
- resesi
- Rekomendasi
- menurunkan
- mengurangi limbah
- terkait
- hubungan
- relevan
- dapat diandalkan
- penelitian
- tanggung jawab
- tanggung jawab
- Hasil
- pendapatan
- merevolusi
- berjalan
- penjualan
- sama
- Skalabilitas
- terukur
- Skala
- sisik
- skenario
- menjadwalkan
- Ilmu
- ilmuwan
- Pencarian
- mesin pencari
- Kedua
- melihat
- terpilih
- senior
- terpisah
- Seri
- melayani
- layanan
- Layanan
- set
- dia
- Pertunjukkan
- penting
- signifikan
- Sederhana
- sejak
- ENAM
- makanan ringan
- So
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- Spanyol
- mengkhususkan diri
- pidato
- Staf
- awal
- mulai
- dimulai
- Negara
- statistik
- Langkah
- saham
- penyimpanan
- tersimpan
- Penyelarasan
- Streaming
- sukses
- seperti itu
- cocok
- menyediakan
- supply chain
- pendukung
- sistem
- target
- Pengajaran
- tim
- tech
- Perusahaan Teknologi
- Teknologi
- istilah
- pengujian
- dari
- bahwa
- Grafik
- Belanda
- Inggris
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- ini
- itu
- Melalui
- waktu
- Seri waktu
- kali
- untuk
- hari ini
- bersama
- tradisional
- Pelatihan
- kereta
- Tren
- dipicu
- memicu
- Turki
- dua
- Uk
- Akhirnya
- bawah
- memahami
- unik
- Serikat
- Amerika Serikat
- universitas
- us
- menggunakan
- gunakan case
- bekas
- menggunakan
- vertikal
- sangat
- melalui
- Mengunjungi
- visualisasi
- berjalan
- adalah
- Limbah
- we
- jaringan
- layanan web
- minggu
- BAIK
- ketika
- yang
- yang
- lebar
- Rentang luas
- dengan
- tanpa
- bekerja
- Alur kerja
- kerja
- bekerja
- tertulis
- tahun
- Kamu
- Anda
- zephyrnet.dll