Gere previsões de inicialização a frio para produtos sem dados históricos usando o Amazon Forecast, agora até 45% mais preciso

Agora com Previsão da Amazônia, você pode gerar previsões até 45% mais precisas para produtos sem dados históricos. O Forecast é um serviço gerenciado que usa aprendizado de máquina (ML) para gerar previsões de demanda precisas, sem exigir nenhuma experiência em ML. A previsão precisa é a base para otimização de estoque, planejamento logístico e gerenciamento de força de trabalho e permite que as empresas estejam melhor preparadas para atender seus clientes. Previsão de partida a frio é um desafio comum onde há necessidade de gerar uma previsão, mas não há dados históricos para o produto. Isso é típico em setores como varejo, manufatura ou bens de consumo embalados, onde há introduções rápidas de novos produtos ao trazer produtos recém-desenvolvidos para o mercado, marcas ou catálogos integrados pela primeira vez ou produtos de venda cruzada em novas regiões. Com este lançamento, melhoramos nossa abordagem existente para previsão de partida a frio e agora fornecemos previsões até 45% mais precisas.

Pode ser um desafio desenvolver um modelo de previsão de partida a frio porque os métodos de previsão estatística tradicionais, como Autoregressive Integrated Moving Average (ARIMA) ou Exponential Smoothing, são construídos usando o conceito de que os dados históricos de um produto podem ser usados ​​para prever seus valores futuros. Mas, sem dados históricos, os parâmetros do modelo não podem ser calculados e, portanto, o modelo não pode ser construído. A Forecast já tinha a capacidade de gerar previsões para produtos de partida a frio usando algoritmos de rede neural como DeepAR+ e CNN-QR. Esses modelos aprendem relacionamentos entre produtos e podem gerar previsões para produtos sem dados históricos. O uso de metadados de itens para estabelecer essas relações era implícito, o que significava que as redes não eram capazes de extrapolar totalmente as características de tendência para produtos de partida a frio.

Hoje, lançamos uma nova abordagem para previsão de partida a frio que é até 45% mais precisa do que antes. Essa abordagem melhora nosso tratamento de metadados de itens por meio dos quais identificamos produtos explícitos em seu conjunto de dados que possuem as características mais semelhantes aos produtos de inicialização a frio. Ao focar neste subconjunto de produtos similares, podemos aprender melhor as tendências para gerar uma previsão para o produto de partida a frio. Por exemplo, um varejista de moda que apresenta uma nova linha de camisetas deseja prever a demanda dessa linha para otimizar o estoque da loja. Você pode fornecer à Forecast dados históricos de outros produtos em seu catálogo, como linhas de camisetas, jaquetas, calças e sapatos existentes, bem como metadados de itens, como nome de marca, cor, tamanho e categoria de produto para novos e existentes produtos. Com esses metadados, o Forecast detecta automaticamente os produtos mais relacionados à nova linha de camisetas e os utiliza para gerar previsões para a linha de camisetas.

Este recurso está disponível em todas as regiões onde a previsão está disponível publicamente por meio do Console de gerenciamento da AWS ou de API de previsão automática. Para obter mais informações sobre disponibilidade de região, consulte Serviços regionais da AWS. Para começar a usar o Forecast para previsão de inicialização a frio, consulte Gerando Previsões ou de Bloco de notas do GitHub.

Visão geral da solução

As etapas nesta postagem demonstram como usar o Forecast para previsão de inicialização a frio no Console de gerenciamento da AWS. Examinamos o exemplo de um varejista gerando uma previsão de demanda de estoque para um produto recém-lançado seguindo as três etapas em Previsão: importar seus dados, treinar um preditor e criar uma previsão. Para usar diretamente a API de previsão para previsão de inicialização a frio, siga o notebook em nosso GitHub repo, que fornece uma demonstração análoga.

Importe seus dados de treinamento

Para usar o novo método de previsão de inicialização a frio, você deve importar dois arquivos CSV: um arquivo contendo os dados da série temporal de destino (mostrando a meta de previsão) e outro arquivo contendo os metadados do item (mostrando as características do produto, como tamanho ou cor). A previsão identifica produtos de inicialização a frio como aqueles produtos que estão presentes no arquivo de metadados do item, mas não estão presentes no arquivo de série temporal de destino.

Para identificar corretamente seu produto de inicialização a frio, certifique-se de que a ID do item de seu produto de inicialização a frio seja inserida como uma linha no arquivo de metadados do item e que não esteja contida no arquivo de série temporal de destino. Para vários produtos de inicialização a frio, insira cada ID de item do produto como uma linha separada no arquivo de metadados do item. Se você ainda não tem um ID de item para seu produto de inicialização a frio, pode usar qualquer combinação alfanumérica com menos de 64 caracteres que ainda não seja representativa de outro produto em seu conjunto de dados.

Em nosso exemplo, o arquivo de série temporal de destino contém o ID do item do produto, carimbo de data/hora e demanda (estoque), e o arquivo de metadados do item contém o ID do item do produto, cor, categoria do produto e localização.

Para importar seus dados, conclua as seguintes etapas:

1. No console do Forecast, escolha Ver grupos de conjuntos de dados.

2. Escolha Criar grupo de conjunto de dados.

3. Escolha Nome do grupo do conjunto de dados, insira um nome de conjunto de dados (para esta postagem, my_company_shoe_inventory).
4. Para Domínio de previsão, escolha um domínio de previsão (para esta postagem, Varejo).
5. Escolha Próximo.

6. Na página Criar conjunto de dados de série temporal de destino, forneça o nome do conjunto de dados, a frequência de seus dados e o esquema de dados.
7. Forneça os detalhes de importação do conjunto de dados.
8. Escolha Iniciar.

A captura de tela a seguir mostra as informações da página de série temporal de destino preenchida para nosso exemplo.

Você é redirecionado para o painel que pode usar para acompanhar o progresso.

1. Para importar o arquivo de metadados do item, no painel, escolha importação.

2. No Criar conjunto de dados de metadados do item página, forneça o nome do conjunto de dados e o esquema de dados.
3. Forneça os detalhes de importação do conjunto de dados.
4. Escolha Início.

A captura de tela a seguir mostra as informações preenchidas para nosso exemplo.

Treine um preditor

Em seguida, treinamos um preditor.

1. No painel, escolha Preditor de trem.

2. No Preditor de trem página, insira um nome para seu preditor, por quanto tempo no futuro você deseja prever e com que frequência, e o número de quantis para os quais deseja prever.
3. permitir Previsor Automático. Isso é necessário para a previsão de partida a frio.
4. Escolha Crie.

A captura de tela a seguir mostra as informações preenchidas para nosso exemplo.

Crie uma previsão

Depois que nosso preditor é treinado (isso pode levar aproximadamente 2.5 horas), criamos uma previsão para o produto recém-lançado. Você saberá que seu preditor está treinado quando vir o Ver preditores botão em seu painel.

1. Escolha Crie uma previsão no painel.

2. No Crie uma previsão página, insira um nome de previsão, escolha o preditor que você criou e especifique os quantis de previsão (opcional) e os itens para os quais gerar uma previsão.
3. Escolha Início.

Exporte suas previsões

Depois que sua previsão for criada, você poderá exportar os dados para CSV. Você saberá que sua previsão foi criada quando vir que o status está ativo.

1. Escolha Criar exportação de previsão.

2. Digite o nome do arquivo de exportação (para esta postagem, my_cold_start_forecast_export).
3. Escolha Local de exportação, especifique o Serviço de armazenamento simples da Amazon (Amazon S3).
4. Escolha Início.

5. Para baixar a exportação, navegue até o local do caminho do arquivo S3 no console, selecione o arquivo e escolha Baixar.

O arquivo de exportação contém o carimbo de data/hora, ID do item, metadados do item e as previsões para cada quantil selecionado.

Veja suas previsões

Depois que sua previsão é criada, você pode visualizar as previsões para os novos produtos graficamente no console.

1. Escolha previsão de consulta no painel.

2. Escolha o nome da previsão criada na etapa anterior (my_cold_start_forecast em nosso exemplo).
3. Insira a data de início e a data de término em que deseja visualizar sua previsão.
4. No campo de ID do item para a chave de previsão, adicione o ID exclusivo do seu produto de inicialização a frio.
5. Escolheu Obter previsão.

Na figura, você verá a previsão para qualquer quantil selecionado.

Conclusão

Com o Forecast, você pode obter os mesmos insights de previsão para produtos de inicialização a frio sem dados históricos, agora até 45% mais preciso do que antes. Para gerar previsões de inicialização a frio com o Forecast, abra o console de previsão e siga as etapas descritas nesta postagem ou consulte nosso Bloco de notas do GitHub sobre como acessar a funcionalidade via API. Para saber mais, consulte Gerando Previsões.

---

Sobre os autores

Brandon Nair é gerente de produto sênior da Amazon Forecast. Seu interesse profissional está na criação de serviços e aplicativos de aprendizado de máquina escalonáveis. Fora do trabalho, ele pode ser encontrado explorando parques nacionais, aperfeiçoando sua tacada no golfe ou planejando uma viagem de aventura.

Manas Dadarkar é um gerente de desenvolvimento de software proprietário da engenharia do serviço Amazon Forecast. Ele é apaixonado por aplicativos de aprendizado de máquina e por tornar as tecnologias de ML facilmente disponíveis para que todos possam adotá-las e implantá-las na produção. Fora do trabalho, ele tem vários interesses, incluindo viajar, ler e passar tempo com amigos e familiares.

Bharat Nandamuri é um engenheiro de software sênior que trabalha na Amazon Forecast. Ele é apaixonado por criar serviços de back-end de alta escala com foco em engenharia para sistemas de ML. Fora do trabalho, ele gosta de jogar xadrez, fazer caminhadas e assistir a filmes.

Gaurav Gupta é um cientista aplicado nos laboratórios de IA da AWS e Amazon Forecast. Seus interesses de pesquisa estão em aprendizado de máquina para dados sequenciais, aprendizado de operador para equações diferenciais parciais, wavelets. Ele concluiu seu doutorado na University of Southern California antes de ingressar na AWS.