Generer kaldstartprognoser for produkter uten historiske data ved hjelp av Amazon Forecast, nå opptil 45 % mer nøyaktig

Nå med Amazon Prognose, kan du generere opptil 45 % mer nøyaktige prognoser for produkter uten historiske data. Forecast er en administrert tjeneste som bruker maskinlæring (ML) for å generere nøyaktige etterspørselsprognoser, uten å kreve noen ML-erfaring. Nøyaktig prognoser er grunnlaget for lageroptimalisering, logistikkplanlegging og arbeidsstyrkestyring, og det gjør det mulig for virksomheter å være bedre forberedt til å betjene kundene sine. Kaldstartsprognose er en vanlig utfordring der det er behov for å generere en prognose, men det er ingen historiske data for produktet. Dette er typisk i bransjer som detaljhandel, produksjon eller forbrukerpakkede varer der det er raske introduksjoner av nye produkter ved å bringe nyutviklede produkter på markedet, ta inn merkevarer eller kataloger for aller første gang, eller kryssselge produkter til nye regioner. Med denne lanseringen forbedret vi vår eksisterende tilnærming til kaldstartsprognoser og gir nå prognoser som er opptil 45 % mer nøyaktige.

Det kan være utfordrende å utvikle en kaldstart-prognosemodell fordi tradisjonelle statistiske prognosemetoder som Autoregressive Integrated Moving Average (ARIMA) eller Exponential Smoothing er bygget ved å bruke konseptet om at et produkts historiske data kan brukes til å forutsi fremtidige verdier. Men uten historiske data kan ikke modellparametrene beregnes, og modellen kan derfor ikke bygges. Forecast hadde allerede muligheten til å generere prognoser for kaldstartprodukter ved hjelp av proprietære nevrale nettverksalgoritmer som DeepAR+ og CNN-QR. Disse modellene lærer relasjoner mellom produkter og kan generere prognoser for produkter uten historiske data. Bruken av varemetadata for å etablere disse relasjonene var implisitt, noe som betydde at nettverkene ikke var i stand til å ekstrapolere trendkarakteristikker for kaldstartprodukter fullt ut.

I dag lanserte vi en ny tilnærming for kaldstart-varsling som er opptil 45 % mer nøyaktig enn før. Denne tilnærmingen forbedrer vår behandling av varemetadata, der vi identifiserer eksplisitte produkter i datasettet ditt som har de mest liknende egenskapene til kaldstartproduktene. Ved å fokusere på denne undergruppen av lignende produkter, kan vi bedre lære trender for å generere en prognose for kaldstartproduktet. For eksempel vil en moteforhandler som introduserer en ny T-skjortelinje ønske å forutsi etterspørselen etter den linjen for å optimalisere butikkbeholdningen. Du kan gi Forecast historiske data for andre produkter i katalogen din, for eksempel eksisterende T-skjortelinjer, jakker, bukser og sko, samt varemetadata som merkenavn, farge, størrelse og produktkategori for både nye og eksisterende Produkter. Med disse metadataene oppdager Forecast automatisk produktene som er nærmest knyttet til den nye T-skjorte-linjen og bruker disse til å generere prognoser for T-skjorte-linjen.

Denne funksjonen er tilgjengelig i alle regioner der prognosen er offentlig tilgjengelig via AWS-administrasjonskonsoll eller AutoPredictor API. For mer informasjon om regiontilgjengelighet, se AWS regionale tjenester. For å komme i gang med å bruke Forecast for kaldstartsvarsling, se Generer prognoser eller GitHub notatbok.

Løsningsoversikt

Trinnene i dette innlegget viser hvordan du bruker Forecast for kaldstartsvarsling på AWS-administrasjonskonsoll. Vi går gjennom et eksempel på en forhandler som genererer en prognose for lagerbehov for et nylig lansert produkt ved å følge de tre trinnene i Forecast: importere dataene dine, trene en prediktor og lage en prognose. For å bruke Forecast API direkte for kaldstart-prognoser, følg notatboken i vår GitHub repo, som gir en analog demonstrasjon.

Importer treningsdataene dine

For å bruke den nye kaldstart-prognosemetoden, må du importere to CSV-filer: én fil som inneholder måltidsseriedata (som viser prediksjonsmålet), og en annen fil som inneholder elementmetadata (som viser produktegenskaper som størrelse eller farge). Prognose identifiserer kaldstartsprodukter som de produktene som finnes i varemetadatafilen, men som ikke er til stede i måltidsseriefilen.

For å identifisere kaldstartproduktet ditt på riktig måte, sørg for at vare-ID-en til kaldstartproduktet ditt er angitt som en rad i varemetadatafilen, og at den ikke er inkludert i måltidsseriefilen. For flere kaldstartprodukter, skriv inn hver produktvare-ID som en egen rad i varemetadatafilen. Hvis du ennå ikke har en vare-ID for kaldstartproduktet ditt, kan du bruke enhver alfanumerisk kombinasjon på mindre enn 64 tegn som ikke allerede er representativ for et annet produkt i datasettet ditt.

I vårt eksempel inneholder måltidsseriefilen produktvare-ID, tidsstempel og etterspørsel (beholdning), og varemetadatafilen inneholder produktvare-ID, farge, produktkategori og plassering.

For å importere dataene dine, fullfør følgende trinn:

1. På prognosekonsollen velger du Se datasettgrupper.

2. Velg Opprett datasettgruppe.

3. Til Datasettgruppenavn, skriv inn et datasettnavn (for dette innlegget, my_company_shoe_inventory).
4. For prognosedomene, velg et prognosedomene (for dette innlegget, detaljhandel).
5. Velg Neste.

6. På siden Opprett måltidsseriedatasett oppgir du datasettnavnet, frekvensen til dataene dine og dataskjemaet.
7. Oppgi detaljene for datasettimporten.
8. Velg Start.

Følgende skjermbilde viser informasjonen for måltidsseriesiden fylt ut for eksempelet vårt.

Du blir omdirigert til dashbordet som du kan bruke til å spore fremdriften.

1. For å importere elementmetadatafilen, velg på dashbordet Import.

2. På Opprett elementmetadatadatasett side, oppgi datasettnavnet og dataskjemaet.
3. Oppgi detaljene for datasettimporten.
4. Velg Start.

Følgende skjermbilde viser informasjonen som er fylt ut for vårt eksempel.

Tren en prediktor

Deretter trener vi en prediktor.

1. Velg på dashbordet Tog prediktor.

2. På Tog prediktor side, skriv inn et navn for prediktoren din, hvor lang tid i fremtiden du vil spå og med hvilken frekvens, og antall kvantiler du vil spå for.
3. aktiver Autoprediktor. Dette er nødvendig for kaldstartvarsling.
4. Velg Opprett.

Følgende skjermbilde viser informasjonen som er fylt ut for vårt eksempel.

Lag en prognose

Etter at prediktoren vår er opplært (dette kan ta ca. 2.5 timer), lager vi en prognose for det nylig lanserte produktet. Du vil vite at prediktoren din er trent når du ser Se prediktorer knappen på dashbordet.

1. Velg Lag en prognose på dashbordet.

2. På Lag en prognose side, skriv inn et prognosenavn, velg prediktoren du opprettet, og spesifiser prognosekvantilene (valgfritt) og elementene som skal genereres en prognose for.
3. Velg Start.

Eksporter prognosene dine

Etter at prognosen er opprettet, kan du eksportere dataene til CSV. Du vil vite at prognosen din opprettes når du ser at statusen er aktiv.

1. Velg Opprett prognoseeksport.

2. Skriv inn eksportfilnavnet (for dette innlegget, my_cold_start_forecast_export).
3. Til Eksporter sted, spesifiser Amazon enkel lagringstjeneste (Amazon S3) plassering.
4. Velg Start.

5. For å laste ned eksporten, naviger til S3-filbanen fra konsollen, velg filen og velg Last ned.

Eksportfilen inneholder tidsstempel, vare-ID, varemetadata og prognosene for hver valgt kvantil.

Se prognosene dine

Etter at prognosen er opprettet, kan du se prognosene for de nye produktene grafisk på konsollen.

1. Velg Spør prognose på dashbordet.

2. Velg navnet på prognosen som ble opprettet i forrige trinn (my_cold_start_forecast i vårt eksempel).
3. Skriv inn startdatoen og sluttdatoen du vil se prognosen over.
4. I vare-ID-feltet for prognosenøkkelen legger du til den unike ID-en til kaldstartproduktet ditt.
5. Velg Få prognose.

I figuren vil du se prognosen for hvilken som helst valgt kvantil.

konklusjonen

Med Forecast kan du få den samme prognoseinnsikten for kaldstartprodukter uten historiske data, nå opptil 45 % mer nøyaktig enn før. For å generere kaldstart-prognoser med Forecast, åpne Forecast-konsollen og følg trinnene som er skissert i dette innlegget, eller referer til vår GitHub notatbok om hvordan du får tilgang til funksjonaliteten via API. For å lære mer, se Generer prognoser.

---

Om forfatterne

Brandon Nair er senior produktsjef for Amazon Forecast. Hans profesjonelle interesse ligger i å lage skalerbare maskinlæringstjenester og applikasjoner. Utenom jobben kan han bli funnet på å utforske nasjonalparker, perfeksjonere golfsvingen eller planlegge en eventyrtur.

Manas Dadarkar er en programvareutviklingssjef som eier ingeniørarbeidet til Amazon Forecast-tjenesten. Han brenner for bruken av maskinlæring og gjør ML-teknologier lett tilgjengelige for alle å ta i bruk og distribuere til produksjon. Utenom jobben har han flere interesser, inkludert å reise, lese og tilbringe tid med venner og familie.

Bharat Nandamuri er en Sr Software Engineer som jobber med Amazon Forecast. Han brenner for å bygge høyskala backend-tjenester med fokus på Engineering for ML-systemer. Utenom jobben liker han å spille sjakk, gå tur og se på film.

Gaurav Gupta er en Applied Scientist ved AWS AI-laboratorier og Amazon Forecast. Hans forskningsinteresser ligger i maskinlæring for sekvensielle data, operatørlæring for partielle differensialligninger, wavelets. Han fullførte sin doktorgrad fra University of South California før han begynte i AWS.