צור תחזיות התחלה קרה למוצרים ללא נתונים היסטוריים באמצעות Amazon Forecast, כעת עד 45% מדויק יותר

עכשיו עם תחזית אמזון, תוכל להפיק עד 45% תחזיות מדויקות יותר עבור מוצרים ללא נתונים היסטוריים. Forecast הוא שירות מנוהל המשתמש בלמידה חישובית (ML) כדי ליצור תחזיות ביקוש מדויקות, ללא צורך בניסיון ב-ML. חיזוי מדויק הוא הבסיס לאופטימיזציה של מלאי, תכנון לוגיסטי וניהול כוח אדם והוא מאפשר לעסקים להיות מוכנים יותר לשרת את הלקוחות שלהם. חיזוי התחלה קרה הוא אתגר נפוץ שבו יש צורך לייצר תחזית אך אין נתונים היסטוריים עבור המוצר. זה אופייני בתעשיות כמו קמעונאות, ייצור או מוצרים ארוזים לצרכן, שבהם יש הצגת מוצרים חדשים במהירות על ידי הבאת מוצרים חדשים לשוק, הצטרפות למותגים או קטלוגים בפעם הראשונה, או מכירה צולבת של מוצרים לאזורים חדשים. עם ההשקה הזו, שיפרנו את הגישה הקיימת שלנו לחיזוי התחלה קרה וכעת מספקים תחזיות מדויקות יותר עד 45%.

זה יכול להיות מאתגר לפתח מודל חיזוי של התחלה קרה מכיוון ששיטות חיזוי סטטיסטיות מסורתיות כמו Autoregressive Integrated Moving Average (ARIMA) או החלקה אקספוננציאלית נבנות תוך שימוש בתפיסה שניתן להשתמש בנתונים ההיסטוריים של המוצר כדי לחזות את ערכיו העתידיים. אבל, ללא נתונים היסטוריים, לא ניתן לחשב את פרמטרי המודל ולכן לא ניתן לבנות את המודל. ל-Forecast כבר הייתה את היכולת לייצר תחזיות למוצרי התחלה קרה באמצעות קנייניים אלגוריתמים של רשת עצבית כגון DeepAR+ ו-CNN-QR. מודלים אלה לומדים קשרים בין מוצרים ויכולים ליצור תחזיות למוצרים ללא נתונים היסטוריים. השימוש במטא-נתונים של פריטים כדי לבסס את הקשרים הללו היה מרומז, מה שאומר שהרשתות לא היו מסוגלות לבצע אקסטרפולציה מלאה של מאפייני מגמה עבור מוצרי התחלה קרה.

היום השקנו גישה חדשה לחיזוי התחלה קרה המדויקת עד 45% מבעבר. גישה זו משפרת את הטיפול שלנו במטא נתונים של פריטים שבאמצעותם אנו מזהים מוצרים מפורשים בתוך מערך הנתונים שלך שיש להם את המאפיינים הדומים ביותר למוצרי ההתחלה הקרה. על ידי התמקדות בתת-קבוצה זו של מוצרים דומים, אנו מסוגלים ללמוד טוב יותר מגמות כדי ליצור תחזית למוצר ההתחלה הקרה. לדוגמה, קמעונאי אופנה שמציג קו חולצות טריקו חדש ירצה לחזות את הביקוש לקו זה כדי לייעל את מלאי החנות. אתה יכול לספק ל-Forecast נתונים היסטוריים עבור מוצרים אחרים בקטלוג שלך כגון קווים קיימים של חולצות טריקו, ז'קטים, מכנסיים ונעליים, כמו גם מטא נתונים של פריטים כגון שם מותג, צבע, מידה וקטגוריית מוצרים עבור חדשים וקיימים כאחד. מוצרים. עם מטא נתונים אלה, Forecast מזהה אוטומטית את המוצרים הקשורים הכי קרובים לקו החולצות החדשות ומשתמשת בהם כדי ליצור תחזיות לקו החולצות.

תכונה זו זמינה בכל האזורים שבהם תחזית זמינה לציבור דרך קונסולת הניהול של AWS או AutoPredictor API. למידע נוסף על זמינות אזור, ראה שירותים אזוריים של AWS. כדי להתחיל להשתמש ב-Forecast עבור חיזוי התחלה קרה, עיין ב הפקת תחזיות או מחברת GitHub.

סקירת פתרונות

השלבים בפוסט זה מדגימים כיצד להשתמש בתחזית עבור חיזוי התחלה קרה ב- קונסולת הניהול של AWS. אנו עוברים על דוגמה של קמעונאי המייצר תחזית ביקוש למלאי עבור מוצר שהושק לאחרונה על ידי ביצוע שלושת השלבים ב-Forecast: ייבוא ​​הנתונים שלך, אימון מנבא ויצירת תחזית. כדי להשתמש ישירות ב-Forecast API עבור חיזוי התחלה קרה, עקוב אחר המחברת שלנו GitHub ריפו, המספק הדגמה מקבילה.

ייבא את נתוני האימון שלך

כדי להשתמש בשיטת החיזוי החדשה של התחלה קרה, עליך לייבא שני קובצי CSV: קובץ אחד המכיל את נתוני סדרת הזמן של היעד (המציג את יעד החיזוי), וקובץ אחר המכיל את המטא נתונים של הפריט (המציג מאפייני מוצר כגון גודל או צבע). תחזית מזהה מוצרי התחלה קרה כמוצרים הנמצאים בקובץ המטא נתונים של הפריט אך אינם נוכחים בקובץ סדרת הזמן היעד.

כדי לזהות נכון את מוצר ההתחלה הקרה שלך, ודא שמזהה הפריט של מוצר ההתחלה הקרה שלך מוזן כשורה בקובץ המטא נתונים של הפריט ושהוא אינו כלול בקובץ סדרת הזמן היעד. עבור מספר מוצרי התחלה קרה, הזן כל מזהה פריט מוצר כשורה נפרדת בקובץ המטא נתונים של הפריט. אם עדיין אין לך מזהה פריט עבור מוצר ההתחלה הקרה שלך, תוכל להשתמש בכל שילוב אלפאנומרי של פחות מ-64 תווים שאינו מייצג כבר מוצר אחר במערך הנתונים שלך.

בדוגמה שלנו, קובץ סדרת הזמן היעד מכיל את מזהה פריט המוצר, חותמת הזמן והביקוש (מלאי), וקובץ המטא נתונים של הפריט מכיל את מזהה פריט המוצר, הצבע, קטגוריית המוצר והמיקום.

כדי לייבא את הנתונים שלך, בצע את השלבים הבאים:

1. במסוף התחזית בחר הצג קבוצות של מערכי נתונים.

2. בחרו צור קבוצת נתונים.

3. בעד שם קבוצת נתונים, הזן שם של מערך נתונים (עבור פוסט זה, מלאי_הנעל_החברה שלי).
4. עבור תחום חיזוי, בחר תחום חיזוי (עבור פוסט זה, קמעונאות).
5. בחר הבא.

6. בדף יצירת מערך נתונים של סדרת זמן יעד, ספק את שם מערך הנתונים, תדירות הנתונים שלך וסכימת הנתונים.
7. ספק את פרטי הייבוא ​​של מערך הנתונים.
8. בחר התחל.

צילום המסך הבא מציג את המידע עבור דף סדרת זמן היעד שמולא עבור הדוגמה שלנו.

אתה מופנה ללוח המחוונים שבו אתה יכול להשתמש כדי לעקוב אחר ההתקדמות.

1. כדי לייבא את קובץ המטא נתונים של הפריט, בלוח המחוונים, בחר תבואו.

2. על צור מערך נתונים של מטא נתונים של פריט עמוד, ספק את שם מערך הנתונים וסכימת הנתונים.
3. ספק את פרטי הייבוא ​​של מערך הנתונים.
4. בחרו הַתחָלָה.

צילום המסך הבא מציג את המידע שמולא עבור הדוגמה שלנו.

הרכבת מנבא

לאחר מכן, אנו מאמנים מנבא.

1. בלוח המחוונים, בחר מנבא רכבת.

2. על מנבא רכבת עמוד, הזן שם עבור המנבא שלך, כמה זמן בעתיד אתה רוצה לחזות ובאיזו תדירות, ומספר הקוונטילים שאתה רוצה לחזות עבורם.
3. אפשר מנבא אוטומטי. זה נדרש עבור חיזוי התחלה קרה.
4. בחרו צור.

צילום המסך הבא מציג את המידע שמולא עבור הדוגמה שלנו.

צור תחזית

לאחר הכשרה של המנבא שלנו (זה יכול לקחת בערך 2.5 שעות), אנו יוצרים תחזית עבור המוצר החדש שהושק. תדע שהמנבא שלך מאומן כשתראה את הצג מנבאים כפתור בלוח המחוונים שלך.

1. בחרו צור תחזית על לוח המחוונים.

2. על צור תחזית עמוד, הזן שם תחזית, בחר את המנבא שיצרת וציין את כמות התחזית (אופציונלית) ואת הפריטים להפקת תחזית.
3. בחרו הַתחָלָה.

ייצא את התחזיות שלך

לאחר יצירת התחזית שלך, תוכל לייצא את הנתונים ל-CSV. תדע שהתחזית שלך נוצרת כשתראה שהסטטוס פעיל.

1. בחרו צור ייצוא תחזית.

2. הזן את שם קובץ הייצוא (עבור פוסט זה, my_cold_start_forecast_export).
3. בעד ייצוא מיקום, ציין את שירות אחסון פשוט של אמזון (Amazon S3) מיקום.
4. בחרו הַתחָלָה.

5. כדי להוריד את הייצוא, נווט אל מיקום נתיב הקובץ S3 מהמסוף, ולאחר מכן בחר את הקובץ ובחר הורדה.

קובץ הייצוא מכיל את חותמת הזמן, מזהה הפריט, המטא נתונים של הפריט והתחזיות עבור כל כמות שנבחרה.

הצג את התחזיות שלך

לאחר יצירת התחזית שלך, תוכל להציג את התחזיות עבור המוצרים החדשים בצורה גרפית בקונסולה.

1. בחרו תחזית שאילתה על לוח המחוונים.

2. בחר את שם התחזית שנוצרה בשלב הקודם (my_cold_start_forecast בדוגמה שלנו).
3. הזן את תאריך ההתחלה ואת תאריך הסיום שעבורו תרצה להציג את התחזית שלך.
4. בשדה מזהה הפריט של מפתח התחזית, הוסף את המזהה הייחודי של מוצר ההתחלה הקרה שלך.
5. בחר קבל תחזית.

באיור, תראה את התחזית עבור כל כמות שנבחרה.

סיכום

עם Forecast, אתה יכול לקבל את אותן תובנות חיזוי עבור מוצרי התחלה קרה ללא נתונים היסטוריים, כעת עד 45% מדויק יותר מבעבר. כדי ליצור תחזיות להתחלה קרה עם Forecast, פתח את מסוף Forecast ובצע את השלבים המתוארים בפוסט זה, או עיין ב- מחברת GitHub כיצד לגשת לפונקציונליות באמצעות API. למידע נוסף, עיין ב הפקת תחזיות.

---

על המחברים

ברנדון ניר הוא מנהל מוצר בכיר עבור Amazon Forecast. העניין המקצועי שלו טמון ביצירת שירותים ויישומים של למידת מכונה הניתנים להרחבה. מחוץ לעבודה ניתן למצוא אותו חוקר פארקים לאומיים, משכלל את תנופת הגולף שלו או מתכנן טיול הרפתקאות.

מנאס דאדרקר הוא מנהל פיתוח תוכנה בעל ההנדסה של שירות Amazon Forecast. הוא נלהב מהיישומים של למידת מכונה והפיכת טכנולוגיות ML לזמינות בקלות עבור כולם לאימוץ ולפריסה לייצור. מחוץ לעבודה, יש לו תחומי עניין מרובים, כולל טיולים, קריאה ובילוי עם חברים ובני משפחה.

בהרט ננדמורי הוא מהנדס תוכנה Sr שעובד על Amazon Forecast. הוא נלהב מבניית שירותי אחורי בקנה מידה גבוה עם התמקדות בהנדסה למערכות ML. מחוץ לעבודה, הוא נהנה לשחק שח, לטייל ולצפות בסרטים.

גאורב גופטה הוא מדען יישומי במעבדות AI של AWS וב-Amazon Forecast. תחומי המחקר שלו נעוצים בלמידת מכונה עבור נתונים עוקבים, למידת אופרטורים עבור משוואות דיפרנציאליות חלקיות, גלים. הוא השלים את הדוקטורט שלו מאוניברסיטת דרום קליפורניה לפני שהצטרף ל-AWS.