Genera previsioni di avvio a freddo per prodotti senza dati storici utilizzando Amazon Forecast, ora fino al 45% più preciso

Ora con Previsioni Amazon, puoi generare previsioni fino al 45% più accurate per i prodotti senza dati storici. Forecast è un servizio gestito che utilizza l'apprendimento automatico (ML) per generare previsioni accurate della domanda, senza richiedere alcuna esperienza di ML. Una previsione accurata è la base per l'ottimizzazione dell'inventario, la pianificazione della logistica e la gestione della forza lavoro e consente alle aziende di essere meglio preparate a servire i propri clienti. Previsione di avviamento a freddo è una sfida comune in cui è necessario generare una previsione ma non sono disponibili dati storici per il prodotto. Ciò è tipico in settori come la vendita al dettaglio, la produzione o i beni di consumo confezionati in cui vi è una rapida introduzione di nuovi prodotti mediante l'immissione sul mercato di prodotti di nuova concezione, l'onboarding di marchi o cataloghi per la prima volta o il cross-selling di prodotti in nuove regioni. Con questo lancio, abbiamo migliorato il nostro approccio esistente alle previsioni di avvio a freddo e ora forniamo previsioni fino al 45% più accurate.

Può essere difficile sviluppare un modello di previsione con avvio a freddo perché i tradizionali metodi di previsione statistica come ARIMA (Autoregressive Integrated Moving Average) o Exponential Smoothing sono costruiti utilizzando il concetto che i dati storici di un prodotto possono essere utilizzati per prevedere i suoi valori futuri. Ma, senza dati storici, i parametri del modello non possono essere calcolati e quindi il modello non può essere costruito. Forecast aveva già la capacità di generare previsioni per prodotti con avvio a freddo utilizzando proprietari algoritmi di reti neurali come DeepAR+ e CNN-QR. Questi modelli apprendono le relazioni tra i prodotti e possono generare previsioni per i prodotti senza dati storici. L'uso dei metadati degli articoli per stabilire queste relazioni era implicito, il che significava che le reti non erano in grado di estrapolare completamente le caratteristiche di tendenza per i prodotti con avvio a freddo.

Oggi abbiamo lanciato un nuovo approccio per le previsioni di avvio a freddo che è fino al 45% più accurato rispetto a prima. Questo approccio migliora il nostro trattamento dei metadati degli articoli attraverso i quali identifichiamo i prodotti espliciti all'interno del tuo set di dati che hanno le caratteristiche più simili ai prodotti con avvio a freddo. Concentrandoci su questo sottoinsieme di prodotti simili, siamo in grado di apprendere meglio le tendenze per generare una previsione per il prodotto con avvio a freddo. Ad esempio, un rivenditore di moda che introduce una nuova linea di magliette vorrà prevedere la domanda per quella linea per ottimizzare l'inventario del negozio. Puoi fornire a Forecast dati storici per altri prodotti nel tuo catalogo come linee di magliette, giacche, pantaloni e scarpe esistenti, nonché metadati degli articoli come nome del marchio, colore, taglia e categoria di prodotto sia per nuovi che per esistenti prodotti. Con questi metadati, Forecast rileva automaticamente i prodotti più strettamente correlati alla nuova linea di magliette e li utilizza per generare previsioni per la linea di magliette.

Questa funzione è disponibile in tutte le regioni in cui Forecast è pubblicamente disponibile tramite il Console di gestione AWS oppure API AutoPredictor. Per ulteriori informazioni sulla disponibilità della regione, vedere Servizi regionali AWS. Per iniziare a utilizzare Forecast per la previsione con avvio a freddo, fare riferimento a Generazione di previsioni oppure Taccuino GitHub.

Panoramica della soluzione

I passaggi in questo post dimostrano come utilizzare Forecast per la previsione di avvio a freddo su Console di gestione AWS. Esaminiamo un esempio di un rivenditore che genera una previsione della domanda di inventario per un prodotto appena lanciato seguendo i tre passaggi in Previsione: importazione dei dati, addestramento di un predittore e creazione di una previsione. Per utilizzare direttamente l'API Forecast per la previsione con avvio a freddo, segui il notebook nel nostro Repository GitHub, che fornisce una dimostrazione analoga.

Importa i tuoi dati di allenamento

Per utilizzare il nuovo metodo di previsione con avvio a freddo, devi importare due file CSV: un file contenente i dati della serie temporale target (che mostra il target della previsione) e un altro file contenente i metadati dell'articolo (che mostra le caratteristiche del prodotto come dimensioni o colore). Forecast identifica i prodotti con avvio a freddo come quei prodotti che sono presenti nel file di metadati dell'articolo ma non sono presenti nel file di serie temporali di destinazione.

Per identificare correttamente il tuo prodotto con avvio a freddo, assicurati che l'ID articolo del tuo prodotto con avvio a freddo sia inserito come riga nel file dei metadati dell'articolo e che non sia contenuto nel file delle serie temporali di destinazione. Per più prodotti con avvio a freddo, inserisci ciascun ID articolo del prodotto come riga separata nel file dei metadati dell'articolo. Se non disponi ancora di un ID articolo per il tuo prodotto con avvio a freddo, puoi utilizzare qualsiasi combinazione alfanumerica inferiore a 64 caratteri che non sia già rappresentativa di un altro prodotto nel tuo set di dati.

Nel nostro esempio, il file delle serie temporali di destinazione contiene l'ID dell'articolo del prodotto, il timestamp e la domanda (inventario) e il file dei metadati dell'articolo contiene l'ID dell'articolo del prodotto, il colore, la categoria del prodotto e la posizione.

Per importare i tuoi dati, completa i seguenti passaggi:

1. Nella console Previsioni, scegli Visualizza gruppi di set di dati.

2. Scegli Crea gruppo di set di dati.

3. Nel Nome del gruppo del set di dati, inserisci un nome per il set di dati (per questo post, my_company_shoe_inventory).
4. Per Dominio di previsione, scegli un dominio di previsione (per questo post, Vendita al dettaglio).
5. Scegli il prossimo.

6. Nella pagina Crea set di dati di serie temporali di destinazione fornire il nome del set di dati, la frequenza dei dati e lo schema dei dati.
7. Fornisci i dettagli di importazione del set di dati.
8. Scegli Avvia.

Lo screenshot seguente mostra le informazioni per la pagina delle serie temporali target compilate per il nostro esempio.

Verrai reindirizzato alla dashboard che puoi utilizzare per tenere traccia dei progressi.

1. Per importare il file dei metadati dell'elemento, nella dashboard scegliere Importare.

2. Sulla Crea set di dati di metadati dell'elemento pagina, fornire il nome del set di dati e lo schema dei dati.
3. Fornisci i dettagli di importazione del set di dati.
4. Scegli Inizio.

Lo screenshot seguente mostra le informazioni compilate per il nostro esempio.

Addestra un predittore

Successivamente, formiamo un predittore.

1. Nella dashboard, scegli Predittore del treno.

2. Sulla Predittore del treno pagina, inserisci un nome per il tuo predittore, per quanto tempo vuoi prevedere e con quale frequenza e il numero di quantili per cui vuoi prevedere.
3. permettere Predittore automatico. Ciò è necessario per la previsione dell'avvio a freddo.
4. Scegli Creare.

Lo screenshot seguente mostra le informazioni compilate per il nostro esempio.

Crea una previsione

Dopo che il nostro predittore è stato addestrato (questo può richiedere circa 2.5 ore), creiamo una previsione per il prodotto appena lanciato. Saprai che il tuo predittore è addestrato quando vedrai il file Visualizza predittori pulsante sulla dashboard.

1. Scegli Crea una previsione sul cruscotto.

2. Sulla Crea una previsione pagina, inserisci un nome di previsione, scegli il predittore che hai creato e specifica i quantili di previsione (opzionale) e gli elementi per cui generare una previsione.
3. Scegli Inizio.

Esporta le tue previsioni

Dopo aver creato la previsione, puoi esportare i dati in formato CSV. Saprai che la tua previsione è stata creata quando vedi che lo stato è attivo.

1. Scegli Crea esportazione previsione.

2. Inserisci il nome del file di esportazione (per questo post, my_cold_start_forecast_export).
3. Nel Luogo di esportazione, specificare la Servizio di archiviazione semplice Amazon (Amazon S3).
4. Scegli Inizio.

5. Per scaricare l'esportazione, vai alla posizione del percorso del file S3 dalla console, quindi seleziona il file e scegli Scaricare.

Il file di esportazione contiene il timestamp, l'ID elemento, i metadati dell'elemento e le previsioni per ciascun quantile selezionato.

Visualizza le tue previsioni

Dopo aver creato la previsione, puoi visualizzare graficamente le previsioni per i nuovi prodotti sulla console.

1. Scegli Previsione query sul cruscotto.

2. Scegli il nome della previsione creata nel passaggio precedente (my_cold_start_forecast nel nostro esempio).
3. Inserisci la data di inizio e la data di fine in cui desideri visualizzare la previsione.
4. Nel campo ID articolo per la chiave di previsione, aggiungi l'ID univoco del tuo prodotto cold start.
5. Ha scelto Ottieni previsioni.

Nella figura, vedrai la previsione per qualsiasi quantile selezionato.

Conclusione

Con Forecast, puoi ottenere gli stessi insight di previsione per i prodotti con avvio a freddo senza dati storici, ora fino al 45% più accurati rispetto a prima. Per generare previsioni di avvio a freddo con Forecast, apri la console Forecast e segui i passaggi descritti in questo post, oppure fai riferimento al nostro Taccuino GitHub su come accedere alla funzionalità tramite API. Per saperne di più, fare riferimento a Generazione di previsioni.

---

Circa gli autori

Brandon Nair è Senior Product Manager per Amazon Forecast. Il suo interesse professionale risiede nella creazione di servizi e applicazioni di machine learning scalabili. Al di fuori del lavoro può essere trovato ad esplorare i parchi nazionali, perfezionare il suo swing nel golf o pianificare un viaggio avventuroso.

Manas Dadarkar è un Software Development Manager che possiede l'ingegneria del servizio Amazon Forecast. È appassionato delle applicazioni dell'apprendimento automatico e rende le tecnologie ML facilmente disponibili per l'adozione e l'implementazione da parte di tutti in produzione. Al di fuori del lavoro, ha molteplici interessi tra cui viaggiare, leggere e trascorrere del tempo con amici e familiari.

Bharat Nandamuri è un ingegnere informatico senior che lavora su Amazon Forecast. È appassionato di creare servizi di back-end su larga scala con particolare attenzione all'ingegneria per i sistemi ML. Al di fuori del lavoro, gli piace giocare a scacchi, fare escursioni e guardare film.

Gaurav Gupta è uno scienziato applicato presso i laboratori AWS AI e Amazon Forecast. I suoi interessi di ricerca riguardano machine learning per dati sequenziali, operator learning per equazioni alle derivate parziali, wavelet. Ha completato il suo dottorato di ricerca presso la University of Southern California prima di entrare in AWS.