Generați prognoze de pornire la rece pentru produse fără date istorice folosind Amazon Forecast, acum cu până la 45% mai precise

Acum cu Prognoza Amazon, puteți genera previziuni cu până la 45% mai precise pentru produsele fără date istorice. Forecast este un serviciu gestionat care utilizează învățarea automată (ML) pentru a genera previziuni precise ale cererii, fără a necesita experiență în ML. Prognoza precisă este fundamentul pentru optimizarea stocurilor, planificarea logisticii și managementul forței de muncă și le permite companiilor să fie mai bine pregătite pentru a-și servi clienții. Prognoza pornire la rece este o provocare comună în care este nevoie de a genera o prognoză, dar nu există date istorice pentru produs. Acest lucru este tipic în industrii precum comerțul cu amănuntul, producția sau bunurile ambalate de larg consum, unde există introduceri rapide de noi produse prin aducerea pe piață a produselor nou dezvoltate, integrarea mărcilor sau cataloagelor pentru prima dată sau vânzările încrucișate de produse în noi regiuni. Odată cu această lansare, ne-am îmbunătățit abordarea existentă a prognozei pornirii la rece și acum oferim prognoze cu până la 45% mai precise.

Poate fi o provocare să dezvoltați un model de prognoză la pornire la rece, deoarece metodele tradiționale de prognoză statistică, cum ar fi Autoregressive Integrated Moving Average (ARIMA) sau Exponential Smoothing, sunt construite folosind conceptul că datele istorice ale unui produs pot fi folosite pentru a prezice valorile viitoare ale acestuia. Dar, fără date istorice, parametrii modelului nu pot fi calculați și astfel modelul nu poate fi construit. Forecast avea deja capacitatea de a genera previziuni pentru produsele de pornire la rece folosind proprietatea proprie algoritmi de rețele neuronale precum DeepAR+ și CNN-QR. Aceste modele învață relațiile dintre produse și pot genera previziuni pentru produse fără date istorice. Utilizarea metadatelor articolului pentru a stabili aceste relații a fost implicită, ceea ce a însemnat că rețelele nu au putut extrapola pe deplin caracteristicile de tendință pentru produsele cu pornire la rece.

Astăzi, am lansat o nouă abordare pentru prognoza pornirii la rece, care este cu până la 45% mai precisă decât înainte. Această abordare îmbunătățește tratarea metadatelor articolelor prin care identificăm produsele explicite din setul dvs. de date care au cele mai asemănătoare caracteristici cu produsele cu pornire la rece. Concentrându-ne pe acest subset de produse similare, suntem capabili să învățăm mai bine tendințele pentru a genera o prognoză pentru produsul pornire la rece. De exemplu, un comerciant de modă care introduce o nouă linie de tricouri va dori să estimeze cererea pentru acea linie pentru a optimiza inventarul magazinului. Puteți furniza Forecast date istorice pentru alte produse din catalogul dvs., cum ar fi liniile de tricouri, jachete, pantaloni și pantofi existente, precum și metadate ale articolului, cum ar fi numele mărcii, culoarea, mărimea și categoria de produse atât pentru noi, cât și pentru cele existente. produse. Cu aceste metadate, Forecast detectează automat produsele care sunt cele mai strâns legate de noua linie de tricouri și le folosește pentru a genera prognoze pentru linia de tricouri.

Această funcție este disponibilă în toate regiunile în care Prognoza este disponibilă public prin intermediul Consola de administrare AWS sau AutoPredictor API. Pentru mai multe informații despre disponibilitatea regiunii, consultați Servicii regionale AWS. Pentru a începe să utilizați Forecast pentru prognoza pornirii la rece, consultați Generarea de prognoze sau Notebook GitHub.

Prezentare generală a soluțiilor

Pașii din această postare demonstrează cum să utilizați Forecast pentru prognoza pornirii la rece pe Consola de administrare AWS. Vom parcurge un exemplu de comerciant cu amănuntul care generează o prognoză a cererii de inventar pentru un produs nou lansat, urmând cei trei pași din Prognoză: importul datelor, antrenarea unui predictor și crearea unei prognoze. Pentru a utiliza direct API-ul Forecast pentru prognoza pornirii la rece, urmați blocnotesul din nostru GitHub repo, care oferă o demonstrație analogă.

Importați datele de antrenament

Pentru a utiliza noua metodă de prognoză a pornirii la rece, trebuie să importați două fișiere CSV: un fișier care conține datele seriei temporale țintă (care arată ținta de predicție) și un alt fișier care conține metadatele articolului (care arată caracteristicile produsului, cum ar fi dimensiunea sau culoarea). Forecast identifică produsele cu pornire la rece ca fiind acele produse care sunt prezente în fișierul cu metadate ale articolului, dar nu sunt prezente în fișierul seriei temporale țintă.

Pentru a identifica corect produsul dvs. de pornire la rece, asigurați-vă că ID-ul articolului al produsului dvs. de pornire la rece este introdus ca un rând în fișierul de metadate ale articolului și că nu este conținut în fișierul seriei temporale țintă. Pentru mai multe produse cu pornire la rece, introduceți ID-ul fiecărui articol de produs ca un rând separat în fișierul cu metadate ale articolului. Dacă nu aveți încă un ID de articol pentru produsul dvs. de pornire la rece, puteți utiliza orice combinație alfanumerice mai mică de 64 de caractere care nu este deja reprezentativă pentru un alt produs din setul de date.

În exemplul nostru, fișierul serie temporală țintă conține ID-ul articolului de produs, marca temporală și cererea (inventar), iar fișierul cu metadate ale articolului conține ID-ul articolului de produs, culoarea, categoria de produs și locația.

Pentru a importa datele, parcurgeți următorii pași:

1. În consola Forecast, alegeți Vizualizați grupuri de seturi de date.

2. Alege Creați un grup de set de date.

3. Pentru Numele grupului setului de date, introduceți un nume de set de date (pentru această postare, my_company_shoe_inventory).
4. Pentru domeniul de prognoză, alegeți un domeniu de prognoză (pentru această postare, Retail).
5. Alegeți Următorul.

6. Pe pagina Creați un set de date țintă în serie de timp, furnizați numele setului de date, frecvența datelor și schema de date.
7. Furnizați detaliile despre importul setului de date.
8. Alege Start.

Următoarea captură de ecran arată informațiile pentru pagina de serie de timp țintă completată pentru exemplul nostru.

Sunteți redirecționat către tabloul de bord pe care îl puteți utiliza pentru a urmări progresul.

1. Pentru a importa fișierul cu metadate ale articolului, pe tabloul de bord, alegeți Import.

2. Pe Creați un set de date de metadate ale articolului pagina, furnizați numele setului de date și schema de date.
3. Furnizați detaliile despre importul setului de date.
4. Alege acasă.

Următoarea captură de ecran arată informațiile completate pentru exemplul nostru.

Antrenează un predictor

În continuare, antrenăm un predictor.

1. Pe tabloul de bord, alegeți Predictor de tren.

2. Pe Predictor de tren pagina, introduceți un nume pentru predictor, cât timp în viitor doriți să prognozați și cu ce frecvență și numărul de cuantile pentru care doriți să prognozați.
3. Permite AutoPredictor. Acest lucru este necesar pentru prognoza pornirii la rece.
4. Alege Crea.

Următoarea captură de ecran arată informațiile completate pentru exemplul nostru.

Creați o prognoză

După ce predictorul nostru este antrenat (acest lucru poate dura aproximativ 2.5 ore), creăm o prognoză pentru produsul nou lansat. Vei ști că predictorul tău este antrenat când vezi Vizualizați predictori butonul de pe tabloul de bord.

1. Alege Creați o prognoză pe tabloul de bord.

2. Pe Creați o prognoză pagina, introduceți un nume de prognoză, alegeți predictorul pe care l-ați creat și specificați cuantilele de prognoză (opțional) și elementele pentru care să generați o prognoză.
3. Alege acasă.

Exportați-vă prognozele

După crearea prognozei, puteți exporta datele în CSV. Veți ști că prognoza dvs. este creată când vedeți că starea este activă.

1. Alege Creați exportul de prognoză.

2. Introduceți numele fișierului de export (pentru această postare, my_cold_start_forecast_export).
3. Pentru Locație de export, specifică Serviciul Amazon de stocare simplă (Amazon S3) locație.
4. Alege acasă.

5. Pentru a descărca exportul, navigați la locația căii fișierului S3 din consolă, apoi selectați fișierul și alegeți Descarcă.

Fișierul de export conține marcajul de timp, ID-ul articolului, metadatele articolului și previziunile pentru fiecare cuantilă selectată.

Vizualizați previziunile dvs

După ce prognoza dvs. este creată, puteți vizualiza previziunile pentru noile produse grafic pe consolă.

1. Alege Prognoza de interogare pe tabloul de bord.

2. Alegeți numele prognozei create în pasul anterior (my_cold_start_forecast în exemplul nostru).
3. Introduceți data de început și data de încheiere la care doriți să vizualizați prognoza.
4. În câmpul ID articol pentru cheia de prognoză, adăugați ID-ul unic al produsului dvs. de pornire la rece.
5. Chose Obțineți prognoza.

În figură, veți vedea prognoza pentru orice cuantilă selectată.

Concluzie

Cu Forecast, puteți obține aceleași informații de prognoză pentru produsele cu pornire la rece fără date istorice, acum cu până la 45% mai precise decât înainte. Pentru a genera prognoze de pornire la rece cu Forecast, deschideți consola Forecast și urmați pașii descriși în această postare sau consultați Notebook GitHub despre cum să accesați funcționalitatea prin API. Pentru a afla mai multe, consultați Generarea de prognoze.

---

Despre autori

Brandon Nair este Senior Product Manager pentru Amazon Forecast. Interesul său profesional constă în crearea de servicii și aplicații scalabile de învățare automată. În afara serviciului, el poate fi găsit explorând parcuri naționale, perfecționându-și swing-ul de golf sau plănuind o excursie de aventură.

Manas Dadarkar este un manager de dezvoltare software care deține ingineria serviciului Amazon Forecast. El este pasionat de aplicațiile învățării automate și de a face tehnologiile ML ușor disponibile pentru ca toată lumea să le adopte și să le implementeze în producție. În afara serviciului, are mai multe interese, inclusiv călătoriile, cititul și petrecerea timpului cu prietenii și familia.

Bharat Nandamuri este un inginer software senior care lucrează la Amazon Forecast. El este pasionat de construirea de servicii backend la scară mare, cu accent pe Inginerie pentru sisteme ML. În afara serviciului, îi place să joace șah, să facă drumeții și să se uite la filme.

Gaurav Gupta este un om de știință aplicat la laboratoarele AWS AI și Amazon Forecast. Interesele sale de cercetare constau în învățarea automată pentru date secvențiale, învățarea operatorilor pentru ecuații diferențiale parțiale, wavelets. Și-a terminat doctoratul de la Universitatea din California de Sud înainte de a se alătura AWS.