Generuj prognozy zimnego startu dla produktów bez danych historycznych za pomocą Amazon Forecast, teraz nawet o 45% dokładniejsze

teraz z Prognoza Amazon, możesz wygenerować do 45% dokładniejsze prognozy dla produktów bez danych historycznych. Forecast to usługa zarządzana, która wykorzystuje uczenie maszynowe (ML) do generowania dokładnych prognoz popytu, bez konieczności posiadania doświadczenia w uczeniu maszynowym. Dokładne prognozowanie jest podstawą optymalizacji zapasów, planowania logistyki i zarządzania personelem oraz umożliwia firmom lepsze przygotowanie do obsługi klientów. Prognozowanie zimnego startu jest częstym wyzwaniem, gdy istnieje potrzeba wygenerowania prognozy, ale nie ma danych historycznych dla produktu. Jest to typowe w branżach, takich jak sprzedaż detaliczna, produkcja lub towary konsumpcyjne w opakowaniach, w których szybko wprowadzane są nowe produkty poprzez wprowadzanie nowo opracowanych produktów na rynek, wprowadzanie marek lub katalogów po raz pierwszy lub sprzedaż krzyżową produktów w nowych regionach. Wraz z tą premierą udoskonaliliśmy nasze dotychczasowe podejście do prognozowania zimnego startu i teraz dostarczamy prognozy, które są nawet o 45% dokładniejsze.

Opracowanie modelu prognozowania na zimno może być trudne, ponieważ tradycyjne metody prognozowania statystycznego, takie jak autoregresyjna zintegrowana średnia ruchoma (ARIMA) lub wygładzanie wykładnicze, opierają się na założeniu, że dane historyczne produktu mogą być wykorzystane do przewidywania jego przyszłych wartości. Ale bez danych historycznych nie można obliczyć parametrów modelu, a tym samym zbudować modelu. Forecast miał już możliwość generowania prognoz dla produktów zimnego startu za pomocą własnych algorytmy sieci neuronowych takich jak DeepAR+ i CNN-QR. Modele te uczą się relacji między produktami i mogą generować prognozy dla produktów bez danych historycznych. Wykorzystanie metadanych pozycji do ustalenia tych relacji było niejawne, co oznaczało, że sieci nie były w stanie w pełni ekstrapolować charakterystyk trendów dla produktów o zimnym rozruchu.

Dzisiaj wprowadziliśmy nowe podejście do prognozowania zimnego startu, które jest do 45% dokładniejsze niż wcześniej. Takie podejście usprawnia nasze traktowanie metadanych pozycji, za pomocą których identyfikujemy wyraźne produkty w Twoim zbiorze danych, które mają najbardziej podobne cechy do produktów zimnego startu. Koncentrując się na tym podzbiorze podobnych produktów, jesteśmy w stanie lepiej poznać trendy, aby wygenerować prognozę dla zimnego startu produktu. Na przykład sprzedawca mody wprowadzający nową linię T-shirtów będzie chciał przewidzieć popyt na tę linię, aby zoptymalizować zapasy w sklepie. Możesz udostępnić prognozę z danymi historycznymi dla innych produktów w swoim katalogu, takich jak istniejące linie T-shirtów, kurtek, spodni i butów, a także metadane pozycji, takie jak nazwa marki, kolor, rozmiar i kategoria produktu zarówno dla nowych, jak i istniejących produkty. Dzięki tym metadanym Forecast automatycznie wykrywa produkty najbardziej zbliżone do nowej linii T-shirtów i wykorzystuje je do generowania prognoz dla linii T-shirtów.

Ta funkcja jest dostępna we wszystkich regionach, w których prognoza jest publicznie dostępna za pośrednictwem Konsola zarządzania AWS albo API AutoPredictora. Aby uzyskać więcej informacji na temat dostępności regionów, zobacz Usługi regionalne AWS. Aby rozpocząć korzystanie z usługi Forecast do prognozowania zimnego startu, zobacz Generowanie prognoz albo Notatnik GitHub.

Omówienie rozwiązania

Kroki opisane w tym poście pokazują, jak używać prognozy do prognozowania zimnego startu w programie Konsola zarządzania AWS. Omówimy przykład sprzedawcy detalicznego generującego prognozę popytu na zapasy dla nowo wprowadzonego produktu, wykonując trzy kroki w Prognozie: importowanie danych, szkolenie predyktora i tworzenie prognozy. Aby bezpośrednio użyć interfejsu Forecast API do prognozowania zimnego startu, postępuj zgodnie z notatnikiem w naszym GitHub repo, co zapewnia analogiczną demonstrację.

Importuj dane treningowe

Aby użyć nowej metody prognozowania zimnego startu, należy zaimportować dwa pliki CSV: jeden plik zawierający dane docelowego szeregu czasowego (pokazujący przewidywaną wartość docelową), a drugi plik zawierający metadane elementu (pokazujący cechy produktu, takie jak rozmiar lub kolor). Prognoza identyfikuje produkty zimnego startu jako te produkty, które są obecne w pliku metadanych pozycji, ale nie są obecne w docelowym pliku szeregów czasowych.

Aby poprawnie zidentyfikować produkt zimnego startu, upewnij się, że identyfikator produktu zimnego startu jest wprowadzony jako wiersz w pliku metadanych pozycji i nie jest zawarty w docelowym pliku szeregów czasowych. W przypadku wielu produktów z zimnym startem wprowadź każdy identyfikator pozycji produktu jako osobny wiersz w pliku metadanych pozycji. Jeśli nie masz jeszcze identyfikatora produktu dla produktu do rozruchu na zimno, możesz użyć dowolnej kombinacji alfanumerycznej o długości mniejszej niż 64 znaków, która nie jest reprezentatywna dla innego produktu w Twoim zbiorze danych.

W naszym przykładzie plik docelowych szeregów czasowych zawiera identyfikator pozycji produktu, sygnaturę czasową i popyt (inwentarz), a plik metadanych pozycji zawiera identyfikator pozycji produktu, kolor, kategorię produktu i lokalizację.

Aby zaimportować swoje dane, wykonaj następujące czynności:

1. W konsoli Prognoza wybierz Wyświetl grupy zbiorów danych.

2. Dodaj Utwórz grupę zbiorów danych.

3. W razie zamówieenia projektu Nazwa grupy zbiorów danych, wprowadź nazwę zestawu danych (dla tego wpisu my_company_shoe_inventory).
4. W polu Domena prognozowania wybierz domenę prognozowania (dla tego posta Handel detaliczny).
5. Wybierz Dalej.

6. Na stronie Utwórz docelowy zestaw danych szeregów czasowych podaj nazwę zestawu danych, częstotliwość danych i schemat danych.
7. Podaj szczegóły importu zbioru danych.
8. Wybierz Start.

Poniższy zrzut ekranu przedstawia informacje dotyczące strony docelowej serii czasowej wypełnionej dla naszego przykładu.

Nastąpi przekierowanie do pulpitu nawigacyjnego, którego możesz użyć do śledzenia postępów.

1. Aby zaimportować plik metadanych elementu, na pulpicie nawigacyjnym wybierz import.

2. Na Utwórz zestaw danych metadanych elementu strony, podaj nazwę zestawu danych i schemat danych.
3. Podaj szczegóły importu zbioru danych.
4. Dodaj Start.

Poniższy zrzut ekranu pokazuje informacje wypełnione dla naszego przykładu.

Wytrenuj predyktora

Następnie trenujemy predyktor.

1. Na pulpicie wybierz Predyktor pociągu.

2. Na Predyktor pociągu wprowadź nazwę swojego predyktora, jak długo w przyszłości chcesz prognozować i z jaką częstotliwością oraz liczbę kwantyli, dla których chcesz prognozować.
3. umożliwiać Autoprzewidywanie. Jest to wymagane do prognozowania zimnego startu.
4. Dodaj Stwórz.

Poniższy zrzut ekranu pokazuje informacje wypełnione dla naszego przykładu.

Utwórz prognozę

Po przeszkoleniu naszego predyktora (może to zająć około 2.5 godziny) tworzymy prognozę dla nowo wprowadzonego produktu. Będziesz wiedział, że twój predyktor jest przeszkolony, gdy zobaczysz Zobacz predyktory na pulpicie nawigacyjnym.

1. Dodaj Utwórz prognozę na desce rozdzielczej.

2. Na Utwórz prognozę wprowadź nazwę prognozy, wybierz utworzony predyktor i określ kwantyle prognozy (opcjonalnie) oraz elementy, dla których chcesz wygenerować prognozę.
3. Dodaj Start.

Eksportuj swoje prognozy

Po utworzeniu prognozy możesz wyeksportować dane do pliku CSV. Będziesz wiedział, że twoja prognoza została utworzona, gdy zobaczysz, że status jest aktywny.

1. Dodaj Utwórz eksport prognozy.

2. Wprowadź nazwę pliku eksportu (w tym poście my_cold_start_forecast_export).
3. W razie zamówieenia projektu lokalizacja eksportu, określić Usługa Amazon Simple Storage (Amazon S3) lokalizacja.
4. Dodaj Start.

5. Aby pobrać eksport, przejdź do lokalizacji ścieżki pliku S3 z konsoli, a następnie wybierz plik i wybierz Do pobrania.

Plik eksportu zawiera sygnaturę czasową, identyfikator elementu, metadane elementu oraz prognozy dla każdego wybranego kwantyla.

Zobacz swoje prognozy

Po utworzeniu prognozy możesz przeglądać prognozy dla nowych produktów w formie graficznej na konsoli.

1. Dodaj Prognoza zapytania na desce rozdzielczej.

2. Wybierz nazwę prognozy utworzonej w poprzednim kroku (my_cold_start_forecast w naszym przykładzie).
3. Wprowadź datę początkową i końcową, dla których chcesz wyświetlić prognozę.
4. W polu Identyfikator pozycji dla klucza prognozy dodaj unikatowy identyfikator produktu zimnego rozruchu.
5. Wybrałem Uzyskaj prognozę.

Na rysunku zobaczysz prognozę dla dowolnego wybranego kwantyla.

Wnioski

Dzięki Forecast możesz uzyskiwać te same prognozy dla produktów z zimnym startem bez danych historycznych, teraz nawet o 45% dokładniej niż wcześniej. Aby wygenerować prognozy zimnego startu za pomocą funkcji Forecast, otwórz konsolę prognozy i wykonaj czynności opisane w tym poście lub zapoznaj się z naszą Notatnik GitHub jak uzyskać dostęp do funkcjonalności poprzez API. Aby dowiedzieć się więcej, patrz Generowanie prognoz.

---

O autorach

Brandona Naira jest starszym menedżerem produktu w Amazon Forecast. Jego zainteresowania zawodowe koncentrują się na tworzeniu skalowalnych usług i aplikacji uczenia maszynowego. Poza pracą można go spotkać na zwiedzaniu parków narodowych, doskonaleniu zamachu golfowego lub planowaniu wyprawy pełnej przygód.

Manasa Dadarkara jest Software Development Managerem odpowiedzialnym za inżynierię usługi Amazon Forecast. Pasjonuje się zastosowaniami uczenia maszynowego i udostępnianiem technologii ML, aby każdy mógł je łatwo zaadaptować i wdrożyć w środowisku produkcyjnym. Poza pracą ma wiele zainteresowań, w tym podróże, czytanie i spędzanie czasu z przyjaciółmi i rodziną.

Bharata Nandamuriego jest starszym inżynierem oprogramowania pracującym nad Amazon Forecast. Pasjonuje się budowaniem usług backendowych na dużą skalę, z naciskiem na inżynierię systemów ML. Poza pracą lubi grać w szachy, chodzić po górach i oglądać filmy.

Gauraw Gupta jest naukowcem stosowanym w laboratoriach AWS AI i Amazon Forecast. Jego zainteresowania badawcze obejmują uczenie maszynowe dla danych sekwencyjnych, uczenie operatorów dla równań różniczkowych cząstkowych, falki. Ukończył studia doktoranckie na Uniwersytecie Południowej Kalifornii, zanim dołączył do AWS.