Создавайте прогнозы холодного запуска для продуктов, не имеющих исторических данных, с помощью Amazon Forecast, которые теперь точнее на 45 %.

Теперь с Прогноз Амазонки, вы можете создавать до 45 % более точные прогнозы для продуктов без исторических данных. Прогноз — это управляемая служба, которая использует машинное обучение (ML) для создания точных прогнозов спроса, не требуя опыта ML. Точное прогнозирование является основой для оптимизации запасов, планирования логистики и управления персоналом и позволяет компаниям лучше подготовиться к обслуживанию своих клиентов. Прогнозирование холодного запуска является распространенной проблемой, когда необходимо создать прогноз, но нет исторических данных для продукта. Это типично для таких отраслей, как розничная торговля, производство или производство потребительских товаров, где происходит быстрое внедрение новых продуктов за счет вывода на рынок недавно разработанных продуктов, впервые внедряемых брендов или каталогов или перекрестных продаж продуктов в новые регионы. С этим запуском мы улучшили наш существующий подход к прогнозированию холодного запуска и теперь предоставляем прогнозы, которые на 45% точнее.

Разработка модели прогнозирования холодного запуска может быть сложной задачей, поскольку традиционные методы статистического прогнозирования, такие как авторегрессионное интегрированное скользящее среднее (ARIMA) или экспоненциальное сглаживание, построены с использованием концепции, согласно которой исторические данные продукта могут использоваться для прогнозирования его будущих значений. Но без исторических данных параметры модели не могут быть рассчитаны и, следовательно, модель не может быть построена. Прогноз уже имел возможность генерировать прогнозы для продуктов холодного пуска с использованием собственной разработки. алгоритмы нейронной сети такие как DeepAR+ и CNN-QR. Эти модели изучают отношения между продуктами и могут генерировать прогнозы для продуктов без исторических данных. Использование метаданных элементов для установления этих взаимосвязей было неявным, что означало, что сети не могли полностью экстраполировать характеристики тенденций для продуктов с холодным запуском.

Сегодня мы запустили новый подход к прогнозированию холодного запуска, который на 45 % точнее, чем раньше. Этот подход улучшает нашу обработку метаданных элементов, с помощью которых мы выявляем явные продукты в вашем наборе данных, которые имеют характеристики, наиболее схожие с продуктами холодного запуска. Сосредоточив внимание на этом подмножестве похожих продуктов, мы можем лучше изучить тенденции, чтобы составить прогноз для продукта с холодным запуском. Например, розничный торговец модной одеждой, представляющий новую линию футболок, захочет спрогнозировать спрос на эту линию, чтобы оптимизировать запасы в магазине. Вы можете предоставить прогнозу исторические данные для других продуктов в вашем каталоге, таких как существующие линии футболок, куртки, брюки и обувь, а также метаданные элемента, такие как название бренда, цвет, размер и категория продукта как для новых, так и для существующих товары. С помощью этих метаданных Forecast автоматически определяет продукты, наиболее тесно связанные с новой линией футболок, и использует их для создания прогнозов для этой линии футболок.

Эта функция доступна во всех регионах, где прогноз доступен через Консоль управления AWS или API автопредиктор. Дополнительные сведения о доступности регионов см. Региональные сервисы AWS. Чтобы начать использовать Forecast для прогнозирования холодного запуска, см. Создание прогнозов или Блокнот GitHub.

Обзор решения

Шаги в этом посте демонстрируют, как использовать Forecast для прогнозирования холодного запуска на Консоль управления AWS. Мы рассмотрим пример розничного продавца, создающего прогноз спроса на запасы для недавно выпущенного продукта, выполнив три шага в разделе «Прогноз»: импорт ваших данных, обучение предсказателя и создание прогноза. Чтобы напрямую использовать Forecast API для прогнозирования холодного запуска, следуйте блокноту в нашем Репо GitHub, что обеспечивает аналогичную демонстрацию.

Импорт данных о тренировках

Чтобы использовать новый метод прогнозирования холодного запуска, необходимо импортировать два файла CSV: один файл, содержащий данные целевого временного ряда (показывающий цель прогноза), и другой файл, содержащий метаданные элемента (показывающие характеристики продукта, такие как размер или цвет). Прогноз определяет продукты холодного запуска как те продукты, которые присутствуют в файле метаданных элемента, но отсутствуют в целевом файле временных рядов.

Чтобы правильно идентифицировать ваш продукт с холодным запуском, убедитесь, что идентификатор вашего продукта с холодным запуском введен в виде строки в файле метаданных вашего продукта и что он не содержится в целевом файле временных рядов. Для нескольких продуктов с холодным запуском введите идентификатор каждого элемента продукта в виде отдельной строки в файле метаданных элемента. Если у вас еще нет идентификатора товара для вашего продукта холодного запуска, вы можете использовать любую буквенно-цифровую комбинацию длиной менее 64 символов, которая еще не является репрезентативной для другого продукта в вашем наборе данных.

В нашем примере целевой файл временных рядов содержит идентификатор товара, отметку времени и спрос (запасы), а файл метаданных товара содержит идентификатор товара, цвет, категорию продукта и местоположение.

Чтобы импортировать данные, выполните следующие действия:

1. На консоли прогноза выберите Просмотр групп наборов данных.

2. Выберите Создать группу данных.

3. Что касается Имя группы данных, введите имя набора данных (для этого сообщения my_company_shoe_inventory).
4. Для домена прогнозирования выберите домен прогнозирования (для этого поста — розничная торговля).
5. Выберите Далее.

6. На странице Создать целевой набор данных временных рядов укажите имя набора данных, частоту ваших данных и схему данных.
7. Предоставьте сведения об импорте набора данных.
8. Выберите Пуск.

На следующем снимке экрана показана информация для целевой страницы временных рядов, заполненная для нашего примера.

Вы будете перенаправлены на панель инструментов, которую сможете использовать для отслеживания прогресса.

1. Чтобы импортировать файл метаданных элемента, на информационной панели выберите Импортировать.

2. На Создать набор данных метаданных элемента на странице укажите имя набора данных и схему данных.
3. Предоставьте сведения об импорте набора данных.
4. Выберите Start.

На следующем снимке экрана показана информация, заполненная для нашего примера.

Обучать предсказателя

Далее мы обучаем предиктор.

1. На панели инструментов выберите Предиктор поездов.

2. На Предиктор поездов на странице введите имя предиктора, как долго в будущем вы хотите прогнозировать и с какой частотой, а также количество квантилей, для которых вы хотите прогнозировать.
3. Включите Автопредиктор. Это необходимо для прогнозирования холодного пуска.
4. Выберите Создавай.

На следующем снимке экрана показана информация, заполненная для нашего примера.

Создать прогноз

После обучения нашего предиктора (это может занять примерно 2.5 часа) мы создаем прогноз для только что запущенного продукта. Вы поймете, что ваш предсказатель обучен, когда увидите Просмотр предикторов кнопку на панели управления.

1. Выберите Создать прогноз на приборной панели.

2. На Создать прогноз на странице введите имя прогноза, выберите созданный предиктор и укажите квантили прогноза (необязательно) и элементы, для которых необходимо создать прогноз.
3. Выберите Start.

Экспортируйте свои прогнозы

После создания прогноза вы можете экспортировать данные в CSV. Вы узнаете, что ваш прогноз создан, когда вы увидите, что статус активен.

1. Выберите Создать экспорт прогноза.

2. Введите имя файла экспорта (для этого поста — my_cold_start_forecast_export).
3. Что касается Место экспорта, указать Простой сервис хранения Amazon (Amazon S3) местоположение.
4. Выберите Start.

5. Чтобы загрузить экспорт, перейдите к пути к файлу S3 из консоли, затем выберите файл и выберите Скачать.

Файл экспорта содержит метку времени, идентификатор элемента, метаданные элемента и прогнозы для каждого выбранного квантиля.

Просматривайте свои прогнозы

После создания прогноза вы можете просмотреть прогнозы для новых продуктов в графическом виде на консоли.

1. Выберите Прогноз запроса на приборной панели.

2. Выберите имя прогноза, созданного на предыдущем шаге (в нашем примере — my_cold_start_forecast).
3. Введите дату начала и дату окончания, по которым вы хотите просмотреть свой прогноз.
4. В поле идентификатора элемента для ключа прогноза добавьте уникальный идентификатор вашего продукта холодного запуска.
5. Выбрали Получить прогноз.

На рисунке вы увидите прогноз для любого выбранного квантиля.

Заключение

С помощью прогноза вы можете получать такие же прогнозы для продуктов с холодным запуском без исторических данных, теперь до 45% точнее, чем раньше. Чтобы сгенерировать прогнозы холодного запуска с помощью Forecast, откройте консоль Forecast и выполните шаги, описанные в этом посте, или обратитесь к нашим Блокнот GitHub о том, как получить доступ к функциональности через API. Чтобы узнать больше, см. Создание прогнозов.

---

Об авторах

Брэндон Наир является старшим менеджером по продуктам Amazon Forecast. Его профессиональный интерес заключается в создании масштабируемых сервисов и приложений машинного обучения. Вне работы его можно найти исследующим национальные парки, совершенствующим свои навыки игры в гольф или планирующим поездку с приключениями.

Манас Дадаркар является менеджером по разработке программного обеспечения, владеющим разработкой сервиса Amazon Forecast. Он увлечен приложениями машинного обучения и делает технологии машинного обучения легко доступными для всех, чтобы их можно было внедрить и внедрить в производство. Вне работы у него множество интересов, включая путешествия, чтение и проведение времени с друзьями и семьей.

Бхарат Нандамури — старший инженер-программист, работающий над Amazon Forecast. Он увлечен созданием крупномасштабных серверных услуг с упором на проектирование систем машинного обучения. Вне работы любит играть в шахматы, ходить в походы и смотреть фильмы.

Гаурав Гупта является научным сотрудником в лабораториях AWS AI и Amazon Forecast. Его исследовательские интересы заключаются в машинном обучении для последовательных данных, операторном обучении для дифференциальных уравнений в частных производных, вейвлетах. Он защитил докторскую диссертацию в Университете Южной Калифорнии, прежде чем присоединиться к AWS.