Genereer koudestartprognoses voor producten zonder historische gegevens met behulp van Amazon Forecast, nu tot 45% nauwkeuriger

nu met Amazon voorspelling, kunt u tot 45% nauwkeurigere prognoses genereren voor producten zonder historische gegevens. Forecast is een beheerde service die machine learning (ML) gebruikt om nauwkeurige vraagprognoses te genereren, zonder dat enige ML-ervaring vereist is. Nauwkeurige prognoses vormen de basis voor voorraadoptimalisatie, logistieke planning en personeelsbeheer en stellen bedrijven in staat beter voorbereid te zijn om hun klanten van dienst te zijn. Koude startvoorspelling is een veelvoorkomende uitdaging waarbij er een prognose moet worden gegenereerd, maar er geen historische gegevens voor het product zijn. Dit is typerend in sectoren zoals de detailhandel, productie of verpakte consumentengoederen, waar er snelle nieuwe productintroducties zijn door nieuw ontwikkelde producten op de markt te brengen, merken of catalogi voor het eerst aan boord te brengen of door cross-selling van producten in nieuwe regio's. Met deze lancering hebben we onze bestaande benadering van koudestartprognoses verbeterd en bieden we nu prognoses die tot 45% nauwkeuriger zijn.

Het kan een uitdaging zijn om een ​​voorspellingsmodel voor een koude start te ontwikkelen, omdat traditionele statistische voorspellingsmethoden zoals Autoregressive Integrated Moving Average (ARIMA) of Exponential Smoothing zijn gebaseerd op het concept dat de historische gegevens van een product kunnen worden gebruikt om toekomstige waarden te voorspellen. Maar zonder historische gegevens kunnen de modelparameters niet worden berekend en kan het model dus niet worden gebouwd. Forecast had al de mogelijkheid om prognoses te genereren voor producten met een koude start met behulp van eigen software neurale netwerkalgoritmen zoals DeepAR+ en CNN-QR. Deze modellen leren relaties tussen producten en kunnen prognoses genereren voor producten zonder historische gegevens. Het gebruik van itemmetadata om deze relaties vast te stellen was impliciet, wat betekende dat de netwerken trendkenmerken voor koudestartproducten niet volledig konden extrapoleren.

Vandaag hebben we een nieuwe aanpak gelanceerd voor koudestartprognoses die tot 45% nauwkeuriger is dan voorheen. Deze aanpak verbetert onze behandeling van metadata van items, waardoor we expliciete producten binnen uw dataset identificeren die de meest vergelijkbare kenmerken hebben als de koudestartproducten. Door ons te concentreren op deze subset van vergelijkbare producten, kunnen we beter trends leren om een ​​prognose te genereren voor het koudestartproduct. Een moderetailer die een nieuwe T-shirtlijn introduceert, wil bijvoorbeeld de vraag naar die lijn voorspellen om de winkelvoorraad te optimaliseren. U kunt Forecast voorzien van historische gegevens voor andere producten in uw catalogus, zoals bestaande T-shirtlijnen, jassen, broeken en schoenen, evenals itemmetadata zoals merknaam, kleur, maat en productcategorie voor zowel nieuwe als bestaande producten. Met deze metadata detecteert Forecast automatisch de producten die het meest verwant zijn aan de nieuwe T-shirtlijn en gebruikt deze om prognoses voor de T-shirtlijn te genereren.

Deze functie is beschikbaar in alle regio's waar Forecast openbaar beschikbaar is via de AWS-beheerconsole of de AutoPredictor-API. Zie voor meer informatie over de beschikbaarheid van regio's AWS Regionale diensten. Om aan de slag te gaan met het gebruik van Forecast voor prognoses bij een koude start, raadpleegt u Prognoses genereren of de GitHub-notitieblok.

Overzicht oplossingen

De stappen in dit bericht laten zien hoe u Forecast gebruikt voor koude startprognoses op de AWS-beheerconsole. We lopen door een voorbeeld van een detailhandelaar die een voorraadvraagprognose genereert voor een nieuw gelanceerd product door de drie stappen in Prognose te volgen: uw gegevens importeren, een voorspeller trainen en een prognose maken. Om de Forecast API direct te gebruiken voor koude startprognoses, volgt u het notitieboekje in onze GitHub repo, wat een analoge demonstratie geeft.

Importeer je trainingsgegevens

Om de nieuwe koude start-voorspellingsmethode te gebruiken, moet u twee CSV-bestanden importeren: een bestand met de doeltijdreeksgegevens (met het voorspellingsdoel) en een ander bestand met de metagegevens van het artikel (met productkenmerken zoals maat of kleur). Prognose identificeert koudestartproducten als die producten die aanwezig zijn in het metagegevensbestand van het item, maar niet in het doeltijdreeksbestand.

Om uw koudestartproduct correct te identificeren, moet u ervoor zorgen dat de artikel-ID van uw koudestartproduct wordt ingevoerd als een rij in uw artikelmetagegevensbestand en dat deze niet is opgenomen in het doeltijdreeksbestand. Voer voor meerdere producten met een koude start de ID van elk productitem in als een afzonderlijke rij in het bestand met metagegevens van het item. Als u nog geen item-ID heeft voor uw koudestartproduct, kunt u elke alfanumerieke combinatie van minder dan 64 tekens gebruiken die niet al representatief is voor een ander product in uw dataset.

In ons voorbeeld bevat het doeltijdreeksbestand de productitem-ID, het tijdstempel en de vraag (voorraad) en bevat het metagegevensbestand van het item de productitem-ID, kleur, productcategorie en locatie.

Voer de volgende stappen uit om uw gegevens te importeren:

1. Kies in de prognoseconsole Datasetgroepen bekijken.

2. Kies Maak een datasetgroep.

3. Voor Naam gegevensgroep, voer een datasetnaam in (voor dit bericht, my_company_shoe_inventory).
4. Kies voor Prognosedomein een prognosedomein (voor dit bericht, Detailhandel).
5. Kies volgende.

6. Geef op de pagina Doeltijdreeksgegevensset maken de naam van de gegevensset, de frequentie van uw gegevens en het gegevensschema op.
7. Geef de importdetails van de dataset op.
8. Kies Starten.

De volgende schermafbeelding toont de informatie voor de doeltijdreekspagina die voor ons voorbeeld is ingevuld.

U wordt omgeleid naar het dashboard dat u kunt gebruiken om de voortgang bij te houden.

1. Om het metagegevensbestand van het item te importeren, kiest u op het dashboard import.

2. Op de Maak een gegevensset met metagegevens van items pagina, geeft u de naam van de dataset en het dataschema op.
3. Geef de importdetails van de dataset op.
4. Kies Start.

De volgende schermafbeelding toont de ingevulde informatie voor ons voorbeeld.

Train een voorspeller

Vervolgens trainen we een voorspeller.

1. Kies op het dashboard Train voorspeller.

2. Op de Train voorspeller voer een naam in voor uw voorspeller, hoe lang in de toekomst u wilt voorspellen en met welke frequentie, en het aantal kwantielen waarvoor u wilt voorspellen.
3. Enable AutoPredictor. Dit is nodig voor het voorspellen van een koude start.
4. Kies creëren.

De volgende schermafbeelding toont de ingevulde informatie voor ons voorbeeld.

Maak een prognose

Nadat onze predictor getraind is (dit kan ongeveer 2.5 uur duren), maken we een forecast voor het nieuw gelanceerde product. U zult weten dat uw voorspeller is getraind wanneer u de Voorspellers bekijken knop op uw dashboard.

1. Kies Maak een prognose op het dashboard.

2. Op de Maak een prognose voert u een prognosenaam in, kiest u de voorspelling die u hebt gemaakt en geeft u de prognosekwantielen op (optioneel) en de items waarvoor u een prognose wilt genereren.
3. Kies Start.

Exporteer uw prognoses

Nadat uw prognose is gemaakt, kunt u de gegevens naar CSV exporteren. U weet dat uw prognose is gemaakt wanneer u ziet dat de status actief is.

1. Kies Prognose-export maken.

2. Voer de naam van het exportbestand in (voor dit bericht, my_cold_start_forecast_export).
3. Voor Locatie exporteren, specificeer de Amazon eenvoudige opslagservice (Amazon S3) locatie.
4. Kies Start.

5. Om de export te downloaden, navigeert u naar de locatie van het S3-bestandspad vanaf de console, selecteert u vervolgens het bestand en kiest u Downloaden.

Het exportbestand bevat het tijdstempel, de item-ID, de metagegevens van het item en de prognoses voor elk geselecteerd kwantiel.

Bekijk uw prognoses

Nadat uw prognose is gemaakt, kunt u de prognoses voor de nieuwe producten grafisch bekijken op de console.

1. Kies Query prognose op het dashboard.

2. Kies de naam van de prognose die in de vorige stap is gemaakt (my_cold_start_forecast in ons voorbeeld).
3. Voer de startdatum en einddatum in waarover u uw prognose wilt bekijken.
4. Voeg in het item-ID-veld voor de prognosesleutel de unieke ID van uw koudestartproduct toe.
5. Chose Krijg prognose.

In de afbeelding ziet u de prognose voor elk geselecteerd kwantiel.

Conclusie

Met Forecast kunt u dezelfde prognose-inzichten verkrijgen voor cold-start-producten zonder historische gegevens, nu tot 45% nauwkeuriger dan voorheen. Om koude startprognoses te genereren met Forecast, opent u de Forecast-console en volgt u de stappen die in dit bericht worden beschreven, of raadpleegt u onze GitHub-notitieblok over hoe toegang te krijgen tot de functionaliteit via API. Raadpleeg voor meer informatie Prognoses genereren.

---

Over de auteurs

Brandon Nair is Senior Product Manager voor Amazon Forecast. Zijn professionele interesse ligt bij het creëren van schaalbare machine learning-diensten en -applicaties. Buiten zijn werk is hij te vinden bij het verkennen van nationale parken, het perfectioneren van zijn golfswing of het plannen van een avontuurlijke reis.

Manas Dadarkar is een Software Development Manager die eigenaar is van de engineering van de Amazon Forecast-service. Hij is gepassioneerd door de toepassingen van machine learning en het gemakkelijk beschikbaar maken van ML-technologieën voor iedereen om te adopteren en in productie te nemen. Buiten zijn werk heeft hij meerdere interesses, waaronder reizen, lezen en tijd doorbrengen met vrienden en familie.

Bharat Nandamuri is een Sr Software Engineer die werkt aan Amazon Forecast. Hij is gepassioneerd door het bouwen van grootschalige backend-services met de nadruk op Engineering voor ML-systemen. Buiten zijn werk houdt hij van schaken, wandelen en films kijken.

Gaurav Gupta is Applied Scientist bij AWS AI labs en Amazon Forecast. Zijn onderzoeksinteresses liggen in machine learning voor sequentiële data, operator learning voor partiële differentiaalvergelijkingen, wavelets. Hij voltooide zijn doctoraat aan de Universiteit van Zuid-Californië voordat hij bij AWS kwam.