Generera kallstartsprognoser för produkter utan historisk data med Amazon Forecast, nu upp till 45 % mer exakt

nu med Amazon Prognos, kan du generera upp till 45 % mer exakta prognoser för produkter utan historisk data. Forecast är en hanterad tjänst som använder maskininlärning (ML) för att generera korrekta efterfrågeprognoser, utan att kräva någon ML-erfarenhet. Exakta prognoser är grunden för lageroptimering, logistikplanering och personalhantering och det gör det möjligt för företag att vara bättre förberedda för att betjäna sina kunder. Kallstartsprognoser är en vanlig utmaning där det finns ett behov av att generera en prognos men det inte finns några historiska data för produkten. Detta är typiskt i branscher som detaljhandel, tillverkning eller konsumentförpackade varor där det sker snabba nya produktintroduktioner genom att lansera nyutvecklade produkter på marknaden, introducera varumärken eller kataloger för allra första gången, eller korsförsäljning av produkter till nya regioner. Med denna lansering förbättrade vi vårt befintliga tillvägagångssätt för kallstartsprognoser och ger nu prognoser som är upp till 45 % mer exakta.

Det kan vara utmanande att utveckla en kallstartsprognosmodell eftersom traditionella statistiska prognosmetoder som Autoregressive Integrated Moving Average (ARIMA) eller Exponential Smoothing är byggda utifrån konceptet att en produkts historiska data kan användas för att förutsäga dess framtida värden. Men utan historiska data kan modellparametrarna inte beräknas och därför kan modellen inte byggas. Forecast hade redan möjlighet att generera prognoser för kallstartsprodukter med egenutvecklade neurala nätverksalgoritmer som DeepAR+ och CNN-QR. Dessa modeller lär sig relationer mellan produkter och kan generera prognoser för produkter utan historisk data. Användningen av artikelmetadata för att etablera dessa relationer var implicit vilket innebar att nätverken inte helt kunde extrapolera trendegenskaper för kallstartsprodukter.

Idag lanserade vi ett nytt tillvägagångssätt för kallstartsprognos som är upp till 45 % mer exakt än tidigare. Detta tillvägagångssätt förbättrar vår behandling av artikelmetadata genom vilken vi identifierar explicita produkter i din datauppsättning som har de mest liknande egenskaperna som kallstartsprodukterna. Genom att fokusera på denna undergrupp av liknande produkter kan vi bättre lära oss trender för att generera en prognos för kallstartsprodukten. Till exempel kommer en modeåterförsäljare som introducerar en ny t-shirtlinje att vilja förutse efterfrågan på den linjen för att optimera butikslagret. Du kan förse Forecast med historisk data för andra produkter i din katalog, såsom befintliga t-shirtlinjer, jackor, byxor och skor, samt artikelmetadata såsom varumärke, färg, storlek och produktkategori för både nya och befintliga Produkter. Med denna metadata upptäcker Forecast automatiskt de produkter som är närmast relaterade till den nya T-shirt-linjen och använder dem för att generera prognoser för T-shirt-linjen.

Den här funktionen är tillgänglig i alla regioner där Forecast är allmänt tillgänglig via AWS Management Console eller AutoPredictor API. För mer information om Regionens tillgänglighet, se AWS regionala tjänster. För att komma igång med att använda Prognos för kallstartsprognos, se Generera prognoser eller GitHub anteckningsbok.

Lösningsöversikt

Stegen i det här inlägget visar hur man använder Forecast för kallstartsprognos på AWS Management Console. Vi går igenom ett exempel på en återförsäljare som genererar en prognos för lagerefterfrågan för en nylanserad produkt genom att följa de tre stegen i Prognos: importera din data, träna en prediktor och skapa en prognos. För att direkt använda Forecast API för kallstartsprognoser, följ anteckningsboken i vår GitHub repo, vilket ger en analog demonstration.

Importera dina träningsdata

För att använda den nya kallstartsprognosmetoden måste du importera två CSV-filer: en fil som innehåller måltidsseriedata (visar förutsägelsemålet) och en annan fil som innehåller artikelmetadata (visar produktegenskaper som storlek eller färg). Prognos identifierar kallstartsprodukter som de produkter som finns i artikelmetadatafilen men som inte finns i måltidsseriefilen.

För att korrekt identifiera din kallstartsprodukt, se till att artikel-ID för din kallstartsprodukt anges som en rad i din artikelmetadatafil och att den inte finns med i måltidsseriefilen. För flera kallstartsprodukter anger du varje produktartikel-ID som en separat rad i artikelns metadatafil. Om du ännu inte har ett artikel-ID för din kallstartsprodukt kan du använda valfri alfanumerisk kombination på mindre än 64 tecken som inte redan är representativ för en annan produkt i din datauppsättning.

I vårt exempel innehåller måltidsseriefilen produktartikel-ID, tidsstämpel och efterfrågan (lager), och artikelmetadatafilen innehåller produktartikel-ID, färg, produktkategori och plats.

För att importera din data, utför följande steg:

1. Välj på prognoskonsolen Visa datasetgrupper.

2. Välja Skapa datagrupp.

3. För Dataset gruppnamn, ange ett datauppsättningsnamn (för det här inlägget, my_company_shoe_inventory).
4. För prognosdomän, välj en prognosdomän (för det här inlägget, Detaljhandel).
5. Välj Nästa.

6. På sidan Skapa måltidsseriedatauppsättning anger du datauppsättningens namn, frekvens för dina data och dataschema.
7. Ange information om datauppsättningsimporten.
8. Välj Starta.

Följande skärmdump visar informationen för måltidsseriesidan ifylld för vårt exempel.

Du omdirigeras till instrumentpanelen som du kan använda för att spåra framsteg.

1. För att importera objektets metadatafil, välj på instrumentpanelen Importera.

2. På Skapa objektmetadatadataset sida, ange datauppsättningsnamnet och dataschemat.
3. Ange information om datauppsättningsimporten.
4. Välja Start.

Följande skärmdump visar informationen som är ifylld för vårt exempel.

Träna en prediktor

Därefter tränar vi en prediktor.

1. Välj på instrumentpanelen Träna prediktor.

2. På Träna prediktor sida, ange ett namn för din prediktor, hur lång tid i framtiden du vill prognostisera och med vilken frekvens, och antalet kvantiler du vill prognostisera för.
3. aktivera AutoPredictor. Detta krävs för kallstartsprognoser.
4. Välja Skapa.

Följande skärmdump visar informationen som är ifylld för vårt exempel.

Skapa en prognos

Efter att vår prediktor har tränats (detta kan ta cirka 2.5 timmar) skapar vi en prognos för den nyligen lanserade produkten. Du kommer att veta att din prediktor är tränad när du ser Visa prediktorer knappen på din instrumentpanel.

1. Välja Skapa en prognos på instrumentbrädan.

2. På Skapa en prognos sida, ange ett prognosnamn, välj prediktorn som du skapade och ange prognoskvantilerna (valfritt) och objekten som ska genereras en prognos för.
3. Välja Start.

Exportera dina prognoser

När din prognos har skapats kan du exportera data till CSV. Du kommer att veta att din prognos skapas när du ser att statusen är aktiv.

1. Välja Skapa prognosexport.

2. Ange exportfilens namn (för det här inlägget, my_cold_start_forecast_export).
3. För Exportplats, specificera Amazon enkel lagringstjänst (Amazon S3) plats.
4. Välja Start.

5. För att ladda ner exporten, navigera till S3-filsökvägen från konsolen, välj sedan filen och välj Download.

Exportfilen innehåller tidsstämpeln, artikel-ID, artikelmetadata och prognoserna för varje vald kvantil.

Se dina prognoser

När din prognos har skapats kan du se prognoserna för de nya produkterna grafiskt på konsolen.

1. Välja Fråga prognos på instrumentbrädan.

2. Välj namnet på prognosen som skapades i föregående steg (my_cold_start_forecast i vårt exempel).
3. Ange startdatum och slutdatum som du vill se din prognos över.
4. I artikel-ID-fältet för prognosnyckeln lägger du till det unika ID:t för din kallstartsprodukt.
5. Välj Få prognos.

I figuren ser du prognosen för valfri kvantil.

Slutsats

Med Forecast kan du få samma prognosinsikter för kallstartsprodukter utan historisk data, nu upp till 45 % mer exakt än tidigare. För att generera kallstartsprognoser med Forecast, öppna Forecast-konsolen och följ stegen som beskrivs i det här inlägget, eller hänvisa till vår GitHub anteckningsbok om hur man kommer åt funktionaliteten via API. För att lära dig mer, se Generera prognoser.

---

Om författarna

Brandon Nair är senior produktchef för Amazon Forecast. Hans professionella intresse ligger i att skapa skalbara maskininlärningstjänster och applikationer. Utanför jobbet kan han hittas utforska nationalparker, fullända sin golfsving eller planera en äventyrsresa.

Manas Dadarkar är en Software Development Manager som äger konstruktionen av Amazon Forecast-tjänsten. Han brinner för tillämpningarna av maskininlärning och att göra ML-teknik lätt tillgänglig för alla att ta till sig och distribuera till produktion. Utanför jobbet har han flera intressen, inklusive att resa, läsa och umgås med vänner och familj.

Bharat Nandamuri är en Sr Software Engineer som arbetar på Amazon Forecast. Han brinner för att bygga högskaliga backend-tjänster med fokus på Engineering för ML-system. Utanför jobbet tycker han om att spela schack, vandra och titta på film.

Gaurav Gupta är en tillämpad forskare vid AWS AI labs och Amazon Forecast. Hans forskningsintressen ligger i maskininlärning för sekventiell data, operatörsinlärning för partiella differentialekvationer, wavelets. Han avslutade sin doktorsexamen från University of Southern California innan han började på AWS.