Hasilkan prakiraan cold start untuk produk tanpa data historis menggunakan Amazon Forecast, kini hingga 45% lebih akurat

Sekarang dengan Prakiraan Amazon, Anda dapat membuat perkiraan yang 45% lebih akurat untuk produk tanpa data historis. Prakiraan adalah layanan terkelola yang menggunakan pembelajaran mesin (ML) untuk menghasilkan prakiraan permintaan yang akurat, tanpa memerlukan pengalaman ML apa pun. Peramalan yang akurat adalah dasar untuk pengoptimalan inventaris, perencanaan logistik, dan manajemen tenaga kerja serta memungkinkan bisnis untuk lebih siap melayani pelanggan mereka. Peramalan mulai dingin adalah tantangan umum di mana ada kebutuhan untuk menghasilkan perkiraan tetapi tidak ada data historis untuk produk tersebut. Ini tipikal dalam industri seperti ritel, manufaktur, atau barang kemasan konsumen di mana ada pengenalan produk baru yang cepat dengan membawa produk yang baru dikembangkan ke pasar, memasukkan merek atau katalog untuk pertama kalinya, atau menjual silang produk ke wilayah baru. Dengan peluncuran ini, kami meningkatkan pendekatan yang ada untuk perkiraan cold start dan sekarang memberikan perkiraan yang lebih akurat hingga 45%.

Mengembangkan model peramalan cold start dapat menjadi tantangan karena metode peramalan statistik tradisional seperti Autoregressive Integrated Moving Average (ARIMA) atau Exponential Smoothing dibangun menggunakan konsep bahwa data historis suatu produk dapat digunakan untuk memprediksi nilai masa depannya. Namun, tanpa data historis, parameter model tidak dapat dihitung sehingga model tidak dapat dibangun. Prakiraan sudah memiliki kemampuan untuk menghasilkan prakiraan untuk produk mulai dingin menggunakan hak milik algoritma jaringan saraf seperti DeepAR+ dan CNN-QR. Model ini mempelajari hubungan antar produk dan dapat menghasilkan prakiraan untuk produk tanpa data historis. Penggunaan metadata item untuk menetapkan hubungan ini bersifat implisit yang berarti bahwa jaringan tidak dapat sepenuhnya mengekstrapolasi karakteristik tren untuk produk cold start.

Hari ini, kami meluncurkan pendekatan baru untuk perkiraan cold start yang 45% lebih akurat daripada sebelumnya. Pendekatan ini meningkatkan perlakuan kami terhadap metadata item yang melaluinya kami mengidentifikasi produk eksplisit dalam kumpulan data Anda yang memiliki karakteristik paling mirip dengan produk cold start. Dengan berfokus pada subrangkaian produk serupa ini, kami dapat mempelajari tren dengan lebih baik untuk membuat prakiraan produk cold start. Misalnya, retailer mode yang memperkenalkan lini kaos baru ingin memperkirakan permintaan lini tersebut untuk mengoptimalkan inventaris toko. Anda dapat memberikan Forecast dengan data historis untuk produk lain di katalog Anda seperti garis T-shirt, jaket, celana panjang, dan sepatu yang ada, serta metadata item seperti nama merek, warna, ukuran, dan kategori produk baik baru maupun yang sudah ada produk. Dengan metadata ini, Prakiraan secara otomatis mendeteksi produk yang paling dekat hubungannya dengan lini T-shirt baru dan menggunakannya untuk menghasilkan prakiraan lini T-shirt.

Fitur ini tersedia di semua Wilayah tempat Prakiraan tersedia untuk umum melalui Konsol Manajemen AWS atau itu API Prediktor Otomatis. Untuk informasi selengkapnya tentang ketersediaan Wilayah, lihat Layanan Regional AWS. Untuk mulai menggunakan Forecast untuk cold start forecasting, lihat Membangkitkan Prakiraan atau itu Buku catatan GitHub.

Ikhtisar solusi

Langkah-langkah dalam posting ini menunjukkan cara menggunakan Prakiraan untuk peramalan mulai dingin di Konsol Manajemen AWS. Kami menelusuri contoh retailer yang membuat perkiraan permintaan inventaris untuk produk yang baru diluncurkan dengan mengikuti tiga langkah di Prakiraan: mengimpor data Anda, melatih prediktor, dan membuat perkiraan. Untuk langsung menggunakan API Prakiraan untuk perkiraan mulai dingin, ikuti buku catatan di kami GitHub repo, yang memberikan demonstrasi analog.

Impor data pelatihan Anda

Untuk menggunakan metode peramalan cold start baru, Anda harus mengimpor dua file CSV: satu file berisi data deret waktu target (menunjukkan target prediksi), dan file lain berisi metadata item (menunjukkan karakteristik produk seperti ukuran atau warna). Prakiraan mengidentifikasi produk cold start sebagai produk yang ada di file metadata item tetapi tidak ada di file deret waktu target.

Untuk mengidentifikasi produk cold start Anda dengan benar, pastikan bahwa ID item produk cold start Anda dimasukkan sebagai baris dalam file metadata item Anda dan tidak terdapat dalam file deret waktu target. Untuk beberapa produk cold start, masukkan setiap ID item produk sebagai baris terpisah di file metadata item. Jika Anda belum memiliki ID item untuk produk cold start, Anda dapat menggunakan kombinasi alfanumerik kurang dari 64 karakter yang belum mewakili produk lain dalam kumpulan data Anda.

Dalam contoh kita, file deret waktu target berisi ID item produk, stempel waktu, dan permintaan (inventaris), dan file metadata item berisi ID item produk, warna, kategori produk, dan lokasi.

Untuk mengimpor data Anda, selesaikan langkah-langkah berikut:

1. Di konsol Forecast, pilih Lihat grup kumpulan data.

2. Pilih Buat grup dataset.

3. Untuk Nama grup kumpulan data, masukkan nama set data (untuk postingan ini, my_company_shoe_inventory).
4. Untuk Forecasting domain, pilih domain forecasting (untuk postingan ini, Retail).
5. Pilih Berikutnya.

6. Di halaman Buat set data deret waktu target, berikan nama set data, frekuensi data Anda, dan skema data.
7. Berikan detail impor set data.
8. Pilih Mulai.

Tangkapan layar berikut menunjukkan informasi untuk halaman deret waktu target yang diisi untuk contoh kita.

Anda dialihkan ke dasbor yang dapat Anda gunakan untuk melacak kemajuan.

1. Untuk mengimpor file metadata item, pilih di dasbor impor.

2. pada Buat set data metadata item halaman, berikan nama set data dan skema data.
3. Berikan detail impor set data.
4. Pilih Start.

Tangkapan layar berikut menunjukkan informasi yang diisi untuk contoh kita.

Latih seorang prediktor

Selanjutnya, kami melatih seorang prediktor.

1. Di dasbor, pilih Latih prediktor.

2. pada Latih prediktor halaman, masukkan nama untuk prediktor Anda, berapa lama di masa depan yang ingin Anda ramalkan dan pada frekuensi apa, dan jumlah kuantil yang ingin Anda ramalkan.
3. Aktifkan Prediktor Otomatis. Ini diperlukan untuk peramalan cold start.
4. Pilih membuat.

Tangkapan layar berikut menunjukkan informasi yang diisi untuk contoh kita.

Buat perkiraan

Setelah prediktor kami dilatih (ini bisa memakan waktu sekitar 2.5 jam), kami membuat perkiraan untuk produk yang baru diluncurkan. Anda akan tahu bahwa prediktor Anda terlatih saat Anda melihat Lihat Prediktor tombol di dasbor Anda.

1. Pilih Buat perkiraan di dasbor.

2. pada Buat perkiraan halaman, masukkan nama perkiraan, pilih prediktor yang Anda buat, dan tentukan kuantil perkiraan (opsional) dan item untuk menghasilkan perkiraan.
3. Pilih Start.

Ekspor perkiraan Anda

Setelah perkiraan dibuat, Anda dapat mengekspor data ke CSV. Anda akan tahu bahwa perkiraan Anda dibuat saat Anda melihat statusnya aktif.

1. Pilih Buat perkiraan ekspor.

2. Masukkan nama file ekspor (untuk posting ini, my_cold_start_forecast_export).
3. Untuk Lokasi ekspor, tentukan Layanan Penyimpanan Sederhana Amazon (Amazon S3) lokasi.
4. Pilih Start.

5. Untuk mengunduh ekspor, navigasikan ke lokasi jalur file S3 dari konsol, lalu pilih file dan pilih Unduh.

File ekspor berisi stempel waktu, ID item, metadata item, dan prakiraan untuk setiap kuantil yang dipilih.

Lihat prakiraan Anda

Setelah perkiraan dibuat, Anda dapat melihat perkiraan untuk produk baru secara grafis di konsol.

1. Pilih Perkiraan kueri di dasbor.

2. Pilih nama perkiraan yang dibuat pada langkah sebelumnya (my_cold_start_forecast dalam contoh kami).
3. Masukkan tanggal mulai dan tanggal akhir yang ingin Anda lihat perkiraannya.
4. Di kolom item ID untuk forecast key, tambahkan ID unik produk cold start Anda.
5. Memilih Dapatkan perkiraan.

Pada gambar, Anda akan melihat prakiraan untuk setiap kuantil yang dipilih.

Kesimpulan

Dengan Prakiraan, Anda dapat memperoleh wawasan perkiraan yang sama untuk produk cold-start tanpa data historis, kini hingga 45% lebih akurat dari sebelumnya. Untuk menghasilkan prakiraan cold start dengan Forecast, buka konsol Forecast dan ikuti langkah-langkah yang diuraikan dalam postingan ini, atau lihat Buku catatan GitHub tentang cara mengakses fungsionalitas melalui API. Untuk mempelajari lebih lanjut, lihat Membangkitkan Prakiraan.

---

Tentang penulis

Brandon Nair adalah Manajer Produk Senior untuk Amazon Forecast. Minat profesionalnya terletak pada pembuatan layanan dan aplikasi pembelajaran mesin yang dapat diskalakan. Di luar pekerjaan, dia dapat ditemukan menjelajahi taman nasional, menyempurnakan ayunan golfnya, atau merencanakan perjalanan petualangan.

Manas Dadarkar adalah Manajer Pengembangan Perangkat Lunak yang memiliki rekayasa layanan Amazon Forecast. Dia sangat tertarik dengan penerapan pembelajaran mesin dan membuat teknologi ML tersedia dengan mudah bagi semua orang untuk diadopsi dan diterapkan ke produksi. Di luar pekerjaan, ia memiliki banyak minat termasuk bepergian, membaca, dan menghabiskan waktu bersama teman dan keluarga.

Bharata Nandamuri adalah Insinyur Perangkat Lunak Sr yang bekerja di Amazon Forecast. Dia bersemangat membangun layanan backend skala tinggi dengan fokus pada Rekayasa untuk sistem ML. Di luar pekerjaan, dia senang bermain catur, mendaki gunung, dan menonton film.

Gaurav Gupta adalah Ilmuwan Terapan di laboratorium AWS AI dan Amazon Forecast. Minat penelitiannya terletak pada pembelajaran mesin untuk data sekuensial, pembelajaran operator untuk persamaan diferensial parsial, wavelet. Dia menyelesaikan PhD-nya dari University of Southern California sebelum bergabung dengan AWS.