สร้างการคาดการณ์เมื่อเริ่มเย็นสำหรับผลิตภัณฑ์ที่ไม่มีข้อมูลย้อนหลังโดยใช้ Amazon Forecast ซึ่งแม่นยำมากขึ้นถึง 45%

ตอนนี้ด้วย พยากรณ์อเมซอนคุณสามารถสร้างการคาดการณ์ที่แม่นยำมากขึ้นถึง 45% สำหรับผลิตภัณฑ์ที่ไม่มีข้อมูลย้อนหลัง การคาดการณ์เป็นบริการที่มีการจัดการซึ่งใช้การเรียนรู้ของเครื่อง (ML) เพื่อสร้างการคาดการณ์ความต้องการที่แม่นยำ โดยไม่ต้องมีประสบการณ์ ML การคาดการณ์ที่แม่นยำเป็นรากฐานสำหรับการเพิ่มประสิทธิภาพสินค้าคงคลัง การวางแผนลอจิสติกส์ และการจัดการแรงงาน และทำให้ธุรกิจต่างๆ สามารถเตรียมพร้อมในการให้บริการลูกค้าได้ดียิ่งขึ้น การพยากรณ์เริ่มเย็น เป็นความท้าทายทั่วไปที่จำเป็นต้องสร้างการคาดการณ์ แต่ไม่มีข้อมูลในอดีตสำหรับผลิตภัณฑ์ สิ่งนี้เป็นเรื่องปกติในอุตสาหกรรมต่างๆ เช่น การค้าปลีก การผลิต หรือสินค้าบรรจุภัณฑ์สำหรับผู้บริโภคที่มีการเปิดตัวผลิตภัณฑ์ใหม่อย่างรวดเร็วโดยการนำผลิตภัณฑ์ที่พัฒนาขึ้นใหม่ออกสู่ตลาด การแสดงแบรนด์หรือแคตตาล็อกเป็นครั้งแรก หรือการขายผลิตภัณฑ์ข้ามสายไปยังภูมิภาคใหม่ ด้วยการเปิดตัวนี้ เราได้ปรับปรุงวิธีการที่มีอยู่ของเราในการคาดการณ์การเริ่มเย็น และตอนนี้ให้การคาดการณ์ที่แม่นยำมากขึ้นถึง 45%

อาจเป็นเรื่องท้าทายในการพัฒนาแบบจำลองการคาดการณ์เมื่อเริ่มเย็น เนื่องจากวิธีการคาดการณ์ทางสถิติแบบดั้งเดิม เช่น Autoregressive Integrated Moving Average (ARIMA) หรือ Exponential Smoothing สร้างขึ้นโดยใช้แนวคิดที่ว่าข้อมูลในอดีตของผลิตภัณฑ์สามารถใช้เพื่อทำนายมูลค่าในอนาคตได้ แต่หากไม่มีข้อมูลประวัติ จะไม่สามารถคำนวณพารามิเตอร์โมเดลได้ ดังนั้นจึงไม่สามารถสร้างโมเดลได้ การคาดการณ์มีความสามารถในการสร้างการคาดการณ์สำหรับผลิตภัณฑ์สตาร์ทเย็นโดยใช้กรรมสิทธิ์อยู่แล้ว อัลกอริทึมโครงข่ายประสาทเทียม เช่น DeepAR+ และ CNN-QR โมเดลเหล่านี้เรียนรู้ความสัมพันธ์ระหว่างผลิตภัณฑ์และสามารถสร้างการคาดการณ์สำหรับผลิตภัณฑ์ที่ไม่มีข้อมูลในอดีต การใช้ข้อมูลเมตาของสินค้าเพื่อสร้างความสัมพันธ์เหล่านี้เป็นนัย ซึ่งหมายความว่าเครือข่ายไม่สามารถคาดการณ์ลักษณะแนวโน้มทั้งหมดสำหรับผลิตภัณฑ์ที่เริ่มเย็นได้

วันนี้เราเปิดตัวแนวทางใหม่สำหรับการพยากรณ์การเริ่มเย็นที่แม่นยำกว่าเดิมถึง 45% แนวทางนี้ช่วยปรับปรุงการจัดการข้อมูลเมตาของสินค้า โดยเราระบุผลิตภัณฑ์ที่ชัดเจนภายในชุดข้อมูลของคุณที่มีลักษณะคล้ายกันมากที่สุดกับผลิตภัณฑ์ที่เริ่มเย็น ด้วยการมุ่งเน้นไปที่ส่วนย่อยของผลิตภัณฑ์ที่คล้ายคลึงกันนี้ เราสามารถเรียนรู้แนวโน้มได้ดีขึ้นเพื่อสร้างการคาดการณ์สำหรับผลิตภัณฑ์ที่เริ่มเย็น ตัวอย่างเช่น ร้านค้าปลีกแฟชั่นแนะนำไลน์เสื้อยืดใหม่จะต้องการคาดการณ์ความต้องการสำหรับไลน์นั้นเพื่อเพิ่มประสิทธิภาพสินค้าคงคลังของร้านค้า คุณสามารถให้ข้อมูลเชิงประวัติสำหรับผลิตภัณฑ์อื่นๆ ในแคตตาล็อกของคุณ เช่น ไลน์เสื้อยืด แจ็กเก็ต กางเกง และรองเท้าที่มีอยู่ ตลอดจนข้อมูลเมตาของสินค้า เช่น ชื่อแบรนด์ สี ขนาด และหมวดหมู่ผลิตภัณฑ์สำหรับทั้งสินค้าใหม่และสินค้าที่มีอยู่ สินค้า. ด้วยข้อมูลเมตานี้ Forecast จะตรวจหาผลิตภัณฑ์ที่เกี่ยวข้องอย่างใกล้ชิดที่สุดกับกลุ่มผลิตภัณฑ์เสื้อยืดใหม่ และใช้ผลิตภัณฑ์เหล่านั้นเพื่อสร้างการคาดการณ์สำหรับกลุ่มผลิตภัณฑ์เสื้อยืด

ฟีเจอร์นี้มีให้บริการในทุกภูมิภาคที่มีการพยากรณ์แบบสาธารณะผ่านทาง คอนโซลการจัดการ AWS หรือ API ตัวทำนายอัตโนมัติ. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับความพร้อมใช้งานของภูมิภาค โปรดดูที่ บริการระดับภูมิภาคของ AWS. หากต้องการเริ่มต้นใช้งาน Forecast สำหรับการพยากรณ์แบบ Cold start โปรดดูที่ สร้างการคาดการณ์ หรือ โน๊ตบุ๊ค GitHub.

ภาพรวมโซลูชัน

ขั้นตอนในโพสต์นี้สาธิตวิธีการใช้การคาดการณ์สำหรับการคาดการณ์เมื่อเริ่มเย็นบน คอนโซลการจัดการ AWS. เราแนะนำตัวอย่างผู้ค้าปลีกที่สร้างการคาดการณ์ความต้องการสินค้าคงคลังสำหรับผลิตภัณฑ์ที่เพิ่งเปิดตัวโดยทำตามขั้นตอนสามขั้นตอนในการคาดการณ์: นำเข้าข้อมูลของคุณ ฝึกอบรมตัวทำนาย และสร้างการคาดการณ์ หากต้องการใช้ Forecast API โดยตรงสำหรับการคาดการณ์เมื่อเริ่มเย็น ให้ทำตามสมุดบันทึกในของเรา repo GitHubซึ่งแสดงการสาธิตแบบอะนาล็อก

นำเข้าข้อมูลการฝึกของคุณ

หากต้องการใช้วิธีการพยากรณ์แบบเริ่มเย็นใหม่ คุณต้องนำเข้าไฟล์ CSV สองไฟล์: ไฟล์หนึ่งมีข้อมูลอนุกรมเวลาเป้าหมาย (แสดงเป้าหมายการคาดการณ์) และอีกไฟล์หนึ่งที่มีข้อมูลเมตาของสินค้า (แสดงคุณลักษณะของผลิตภัณฑ์ เช่น ขนาดหรือสี) การคาดการณ์ระบุผลิตภัณฑ์ที่เริ่มเย็นเป็นผลิตภัณฑ์ที่มีอยู่ในไฟล์ข้อมูลเมตาของรายการ แต่ไม่อยู่ในไฟล์อนุกรมเวลาเป้าหมาย

ในการระบุผลิตภัณฑ์ที่เริ่มเย็นของคุณอย่างถูกต้อง ตรวจสอบให้แน่ใจว่ารหัสสินค้าของผลิตภัณฑ์ที่เริ่มเย็นของคุณถูกป้อนเป็นแถวในไฟล์ข้อมูลเมตาของสินค้า และไม่มีอยู่ในไฟล์อนุกรมเวลาเป้าหมาย สำหรับผลิตภัณฑ์เริ่มเย็นหลายรายการ ให้ป้อนรหัสรายการผลิตภัณฑ์แต่ละรายการเป็นแถวแยกต่างหากในไฟล์ข้อมูลเมตาของรายการ หากคุณยังไม่มี ID สินค้าสำหรับผลิตภัณฑ์ Cold Start ของคุณ คุณสามารถใช้ชุดค่าผสมที่เป็นตัวอักษรและตัวเลขคละกันที่น้อยกว่า 64 อักขระที่ไม่ได้เป็นตัวแทนของผลิตภัณฑ์อื่นในชุดข้อมูลของคุณ

ในตัวอย่างของเรา ไฟล์อนุกรมเวลาเป้าหมายประกอบด้วยรหัสสินค้า การประทับเวลา และความต้องการ (สินค้าคงคลัง) และไฟล์ข้อมูลเมตาของสินค้าประกอบด้วยรหัสสินค้า สี หมวดหมู่สินค้า และตำแหน่งที่ตั้ง

ในการนำเข้าข้อมูลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซลการพยากรณ์ ให้เลือก ดูกลุ่มชุดข้อมูล.

2. Choose สร้างกลุ่มชุดข้อมูล.

3. สำหรับ ชื่อกลุ่มชุดข้อมูลป้อนชื่อชุดข้อมูล (สำหรับโพสต์นี้ my_company_shoe_inventory)
4. สำหรับโดเมนการคาดการณ์ เลือกโดเมนการคาดการณ์ (สำหรับโพสต์นี้ การขายปลีก)
5. เลือกถัดไป

6. ในหน้าสร้างชุดข้อมูลอนุกรมเวลาเป้าหมาย ให้ระบุชื่อชุดข้อมูล ความถี่ของข้อมูล และสคีมาข้อมูล
7. ระบุรายละเอียดการนำเข้าชุดข้อมูล
8. เลือกเริ่ม

ภาพหน้าจอต่อไปนี้แสดงข้อมูลสำหรับหน้าอนุกรมเวลาเป้าหมายที่กรอกไว้สำหรับตัวอย่างของเรา

ระบบเปลี่ยนเส้นทางคุณไปยังแดชบอร์ดที่คุณสามารถใช้เพื่อติดตามความคืบหน้า

1. หากต้องการนำเข้าไฟล์ข้อมูลเมตาของรายการ ให้เลือกบนแดชบอร์ด นำเข้า.

2. เกี่ยวกับ สร้างชุดข้อมูลข้อมูลเมตาของรายการ ให้ระบุชื่อชุดข้อมูลและสคีมาข้อมูล
3. ระบุรายละเอียดการนำเข้าชุดข้อมูล
4. Choose เริ่มต้น.

ภาพหน้าจอต่อไปนี้แสดงข้อมูลที่กรอกสำหรับตัวอย่างของเรา

ฝึกทำนาย

ต่อไป เราฝึกตัวทำนาย

1. บนแดชบอร์ด ให้เลือก ทำนายรถไฟ.

2. เกี่ยวกับ ทำนายรถไฟ ป้อนชื่อสำหรับตัวทำนายของคุณ ระยะเวลาที่คุณต้องการคาดการณ์ในอนาคต และความถี่ และจำนวนปริมาณที่คุณต้องการคาดการณ์
3. ทำให้สามารถ ตัวทำนายอัตโนมัติ. สิ่งนี้จำเป็นสำหรับการพยากรณ์การเริ่มเย็น
4. Choose สร้างบัญชีตัวแทน.

ภาพหน้าจอต่อไปนี้แสดงข้อมูลที่กรอกสำหรับตัวอย่างของเรา

สร้างการคาดการณ์

หลังจากฝึกฝนตัวทำนายของเราแล้ว (อาจใช้เวลาประมาณ 2.5 ชั่วโมง) เราจะสร้างการคาดการณ์สำหรับผลิตภัณฑ์ที่เพิ่งเปิดตัวใหม่ คุณจะรู้ว่าตัวทำนายของคุณได้รับการฝึกฝนเมื่อคุณเห็น ดูผู้ทำนาย ปุ่มบนแดชบอร์ดของคุณ

1. Choose สร้างการคาดการณ์ บนแดชบอร์ด

2. เกี่ยวกับ สร้างการคาดการณ์ ป้อนชื่อการคาดการณ์ เลือกตัวทำนายที่คุณสร้างขึ้น และระบุปริมาณการคาดการณ์ (ไม่บังคับ) และรายการเพื่อสร้างการคาดการณ์
3. Choose เริ่มต้น.

ส่งออกการคาดการณ์ของคุณ

หลังจากสร้างการคาดการณ์แล้ว คุณจะส่งออกข้อมูลเป็น CSV ได้ คุณจะรู้ว่าการคาดการณ์ของคุณถูกสร้างขึ้นเมื่อคุณเห็นว่าสถานะทำงานอยู่

1. Choose สร้างการคาดการณ์การส่งออก.

2. ป้อนชื่อไฟล์ส่งออก (สำหรับโพสต์นี้ my_cold_start_forecast_export)
3. สำหรับ สถานที่ส่งออก, ระบุไฟล์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3) ที่ตั้ง
4. Choose เริ่มต้น.

5. หากต้องการดาวน์โหลดการส่งออก ให้ไปที่ตำแหน่งเส้นทางไฟล์ S3 จากคอนโซล จากนั้นเลือกไฟล์และเลือก ดาวน์โหลด.

ไฟล์ส่งออกมีการประทับเวลา รหัสรายการ ข้อมูลเมตาของรายการ และการคาดการณ์สำหรับแต่ละควอนไทล์ที่เลือก

ดูการคาดการณ์ของคุณ

หลังจากสร้างการคาดการณ์ของคุณแล้ว คุณสามารถดูการคาดการณ์สำหรับผลิตภัณฑ์ใหม่แบบกราฟิกบนคอนโซลได้

1. Choose สอบถามการคาดการณ์ บนแดชบอร์ด

2. เลือกชื่อของการพยากรณ์ที่สร้างขึ้นในขั้นตอนก่อนหน้า (my_cold_start_forecast ในตัวอย่างของเรา)
3. ป้อนวันที่เริ่มต้นและวันที่สิ้นสุดที่คุณต้องการดูการคาดการณ์ของคุณ
4. ในฟิลด์ ID สินค้าสำหรับคีย์การคาดการณ์ เพิ่ม ID เฉพาะของผลิตภัณฑ์ที่เริ่มเย็นของคุณ
5. เลือก รับการคาดการณ์.

ในรูป คุณจะเห็นการคาดการณ์สำหรับควอไทล์ใดๆ ที่เลือก

สรุป

ด้วย Forecast คุณจะได้รับข้อมูลเชิงลึกการคาดการณ์เดียวกันสำหรับผลิตภัณฑ์ที่เริ่มเย็นโดยไม่มีข้อมูลในอดีต ตอนนี้แม่นยำมากขึ้นกว่าเดิมถึง 45% หากต้องการสร้างการคาดการณ์แบบเริ่มเย็นด้วย Forecast ให้เปิดคอนโซลการคาดการณ์และทำตามขั้นตอนที่อธิบายไว้ในโพสต์นี้ หรืออ้างอิงถึง โน๊ตบุ๊ค GitHub เกี่ยวกับการเข้าถึงฟังก์ชันผ่าน API หากต้องการเรียนรู้เพิ่มเติม โปรดดูที่ สร้างการคาดการณ์.

---

เกี่ยวกับผู้แต่ง

แบรนดอน แนร์ เป็นผู้จัดการผลิตภัณฑ์อาวุโสของ Amazon Forecast ความสนใจในวิชาชีพของเขาอยู่ที่การสร้างบริการและแอปพลิเคชันแมชชีนเลิร์นนิงที่ปรับขนาดได้ นอกเวลาทำงานเขาสามารถออกไปสำรวจอุทยานแห่งชาติ ตีวงสวิงกอล์ฟให้สมบูรณ์แบบ หรือวางแผนการเดินทางผจญภัย

มนัส ดาดาร์การ์ เป็นผู้จัดการฝ่ายพัฒนาซอฟต์แวร์ที่เป็นเจ้าของวิศวกรรมของบริการ Amazon Forecast เขาหลงใหลเกี่ยวกับการประยุกต์ใช้แมชชีนเลิร์นนิงและการทำให้เทคโนโลยี ML พร้อมใช้งานได้อย่างง่ายดายสำหรับทุกคนในการนำมาใช้และปรับใช้ในการผลิต นอกเหนือจากการทำงานแล้ว เขามีความสนใจหลายอย่าง เช่น การท่องเที่ยว การอ่านหนังสือ และการใช้เวลากับเพื่อนและครอบครัว

ภารต นันทมุริ เป็น Sr Software Engineer ที่ทำงานเกี่ยวกับ Amazon Forecast เขาหลงใหลเกี่ยวกับการสร้างบริการแบ็กเอนด์ระดับสูงโดยเน้นที่วิศวกรรมสำหรับระบบ ML นอกเวลางาน เขาชอบเล่นหมากรุก เดินป่า และดูภาพยนตร์

Gaurav Gupta เป็นนักวิทยาศาสตร์ประยุกต์ที่ห้องปฏิบัติการ AWS AI และ Amazon Forecast ความสนใจในการวิจัยของเขาอยู่ที่การเรียนรู้ของเครื่องสำหรับข้อมูลลำดับ การเรียนรู้ของผู้ปฏิบัติงานสำหรับสมการเชิงอนุพันธ์ย่อย และเวฟเล็ต เขาสำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนียก่อนเข้าร่วม AWS