การใช้ Amazon Forecast ในอุตสาหกรรมค้าปลีก: การเดินทางจาก POC สู่การผลิต

พยากรณ์อเมซอน เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งใช้อัลกอริทึมทางสถิติและการเรียนรู้ของเครื่อง (ML) เพื่อส่งมอบการคาดการณ์อนุกรมเวลาที่แม่นยำสูง เมื่อเร็ว ๆ นี้ ตามการคาดการณ์ของ Amazon เราได้ช่วยลูกค้ารายย่อยรายหนึ่งของเราให้คาดการณ์ความต้องการได้อย่างแม่นยำภายใน 8 สัปดาห์ โซลูชันนี้ปรับปรุงการคาดการณ์ด้วยตนเองโดยเฉลี่ย 10% ในส่วนที่เกี่ยวกับ วาเป้ เมตริก สิ่งนี้นำไปสู่การประหยัดโดยตรง 16 ชั่วโมงการทำงานต่อเดือน นอกจากนี้ เรายังประเมินว่าหากสินค้าครบตามจำนวนที่ถูกต้อง ยอดขายอาจเพิ่มขึ้นถึง 11.8% ในโพสต์นี้ เรานำเสนอเวิร์กโฟลว์และองค์ประกอบที่สำคัญในการดำเนินการ ตั้งแต่การพิสูจน์แนวคิด (POC) ไปจนถึงการผลิต ซึ่งเป็นระบบการคาดการณ์ความต้องการด้วย Amazon Forecast ซึ่งมุ่งเน้นไปที่ความท้าทายในอุตสาหกรรมการค้าปลีก

ภูมิหลังและความท้าทายในปัจจุบันของการพยากรณ์ความต้องการในอุตสาหกรรมค้าปลีก

เป้าหมายของการคาดการณ์ความต้องการคือการประมาณความต้องการในอนาคตจากข้อมูลในอดีต และเพื่อช่วยจัดเก็บการเติมสินค้าและการจัดสรรกำลังการผลิต ด้วยการพยากรณ์ความต้องการ ผู้ค้าปลีกสามารถวางตำแหน่งสินค้าคงคลังในปริมาณที่เหมาะสมในแต่ละสถานที่ในเครือข่ายของตนเพื่อตอบสนองความต้องการ ดังนั้น ระบบการพยากรณ์ที่แม่นยำสามารถผลักดันคุณประโยชน์มากมายในสายงานธุรกิจต่างๆ เช่น:

• เพิ่มยอดขายจากความพร้อมของผลิตภัณฑ์ที่ดีขึ้น และลดความพยายามในการขนย้ายของเสียระหว่างร้าน
• ให้ข้อมูลเชิงลึกที่เชื่อถือได้มากขึ้นเพื่อปรับปรุงการใช้กำลังการผลิตและหลีกเลี่ยงปัญหาคอขวดในเชิงรุกในการจัดสรรกำลังการผลิต
• ลดสินค้าคงคลังและต้นทุนการผลิตและปรับปรุงการหมุนเวียนของสินค้าคงคลัง
• นำเสนอประสบการณ์โดยรวมที่ดีขึ้นของลูกค้า

เทคนิค ML แสดงให้เห็นถึงคุณค่าที่ดีเมื่อมีข้อมูลคุณภาพดีจำนวนมาก ทุกวันนี้ การจัดการการเติมสินค้าตามประสบการณ์หรือการคาดการณ์ความต้องการยังคงเป็นกระแสหลักสำหรับผู้ค้าปลีกส่วนใหญ่ ด้วยเป้าหมายในการปรับปรุงประสบการณ์ของลูกค้า ผู้ค้าปลีกจำนวนมากขึ้นยินดีที่จะแทนที่ระบบการพยากรณ์ความต้องการตามประสบการณ์ด้วยการคาดการณ์แบบ ML อย่างไรก็ตาม ผู้ค้าปลีกเผชิญกับความท้าทายหลายประการเมื่อนำระบบการคาดการณ์ความต้องการตาม ML ไปใช้ในการผลิต เราสรุปความท้าทายต่างๆ ออกเป็นสามประเภท ได้แก่ ความท้าทายด้านข้อมูล ความท้าทายด้าน ML และความท้าทายด้านการปฏิบัติงาน

ความท้าทายของข้อมูล

ข้อมูลที่มีคุณภาพสะอาดในปริมาณมากเป็นข้อกำหนดหลักในการขับเคลื่อนการคาดคะเนตาม ML ที่แม่นยำ ข้อมูลคุณภาพ รวมถึงประวัติการขายและข้อมูลที่เกี่ยวข้องกับการขาย (เช่น สินค้าคงคลัง ราคาสินค้า และโปรโมชัน) จำเป็นต้องรวบรวมและรวมเข้าด้วยกัน ความหลากหลายของข้อมูลจากหลายแหล่งจำเป็นต้องใช้แพลตฟอร์มข้อมูลที่ทันสมัยเพื่อรวมไซโลข้อมูลเข้าด้วยกัน นอกจากนี้ การเข้าถึงข้อมูลอย่างทันท่วงทียังจำเป็นสำหรับการพยากรณ์ความต้องการบ่อยครั้งและละเอียด

ML ความท้าทาย

การพัฒนาอัลกอริธึม ML ขั้นสูงต้องใช้ความเชี่ยวชาญ การใช้อัลกอริทึมที่ถูกต้องสำหรับปัญหาที่ถูกต้องนั้นต้องการทั้งความรู้เชิงลึกในโดเมนและความสามารถด้าน ML นอกจากนี้ การเรียนรู้จากชุดข้อมูลขนาดใหญ่จำเป็นต้องมีโครงสร้างพื้นฐาน ML ที่ปรับขนาดได้ นอกจากนี้ การรักษาอัลกอริทึม ML ในการผลิตนั้นต้องการความสามารถ ML เพื่อวิเคราะห์สาเหตุของการเสื่อมสภาพของโมเดลและฝึกโมเดลใหม่อย่างถูกต้อง

เพื่อแก้ปัญหาทางธุรกิจในทางปฏิบัติ การสร้างการคาดการณ์ที่แม่นยำเป็นเพียงส่วนหนึ่งของเรื่องราวเท่านั้น ผู้มีอำนาจตัดสินใจต้องการการคาดการณ์ที่น่าจะเป็นที่ปริมาณต่างๆ ทำให้ประสบการณ์ของลูกค้าที่สำคัญเทียบกับการตัดสินใจแลกเปลี่ยนผลลัพธ์ทางการเงิน พวกเขายังต้องอธิบายการคาดการณ์ให้ผู้มีส่วนได้ส่วนเสียทราบ และทำการวิเคราะห์แบบ what-if เพื่อตรวจสอบว่าสถานการณ์ต่างๆ อาจส่งผลต่อผลการพยากรณ์อย่างไร

ความท้าทายในการดำเนินงาน

การลดความพยายามในการดำเนินงานในการบำรุงรักษาระบบการคาดการณ์ที่คุ้มทุนเป็นความท้าทายประการที่สาม ในสถานการณ์ทั่วไปของการคาดการณ์ความต้องการ แต่ละรายการในแต่ละสถานที่มีการคาดการณ์ของตัวเอง ต้องการระบบที่สามารถจัดการการคาดการณ์หลายแสนครั้งได้ตลอดเวลา นอกจากนี้ ผู้ใช้ปลายทางทางธุรกิจต้องการระบบการคาดการณ์เพื่อรวมเข้ากับระบบดาวน์สตรีมที่มีอยู่ เช่น แพลตฟอร์มการจัดการซัพพลายเชนที่มีอยู่ เพื่อให้พวกเขาสามารถใช้ระบบที่ใช้ ML โดยไม่ต้องแก้ไขเครื่องมือและกระบวนการที่มีอยู่

ความท้าทายเหล่านี้จะรุนแรงเป็นพิเศษเมื่อธุรกิจมีขนาดใหญ่ มีพลวัต และกำลังเติบโต เพื่อรับมือกับความท้าทายเหล่านี้ เราได้แบ่งปันเรื่องราวความสำเร็จของลูกค้าที่ลดความพยายามในการตรวจสอบผลประโยชน์ทางธุรกิจที่อาจเกิดขึ้นได้อย่างรวดเร็ว ซึ่งทำได้โดยการสร้างต้นแบบด้วย Amazon Forecast ซึ่งเป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งให้ผลลัพธ์การคาดการณ์ที่แม่นยำโดยไม่จำเป็นต้องจัดการทรัพยากรโครงสร้างพื้นฐานและอัลกอริทึมพื้นฐาน

การสร้างต้นแบบอย่างรวดเร็วสำหรับระบบการพยากรณ์แบบ ML ด้วย Amazon Forecast

จากประสบการณ์ของเรา เรามักพบว่าลูกค้ารายย่อยเต็มใจที่จะเริ่มต้นการพิสูจน์แนวคิดเกี่ยวกับข้อมูลการขายของตน ซึ่งสามารถทำได้ภายในสองสามวันถึงสองสามสัปดาห์สำหรับการสร้างต้นแบบอย่างรวดเร็ว ทั้งนี้ขึ้นอยู่กับความซับซ้อนของข้อมูลและทรัพยากรที่มีอยู่เพื่อทำซ้ำผ่านกระบวนการปรับแต่งโมเดล ในระหว่างการสร้างต้นแบบ เราแนะนำให้ใช้ Sprint เพื่อจัดการกระบวนการอย่างมีประสิทธิภาพ และแยก POC ออกเป็นการสำรวจข้อมูล การปรับปรุงซ้ำ และขั้นตอนการทำงานอัตโนมัติ

การสำรวจข้อมูล

การสำรวจข้อมูลมักจะเกี่ยวข้องกับการหารืออย่างเข้มข้นกับนักวิทยาศาสตร์ข้อมูลหรือนักวิเคราะห์ข่าวกรองธุรกิจเพื่อทำความคุ้นเคยกับชุดข้อมูลการขายในอดีตและแหล่งข้อมูลที่มีอยู่ซึ่งอาจส่งผลกระทบต่อผลการพยากรณ์ เช่น สินค้าคงคลังและกิจกรรมส่งเสริมการขายในอดีต วิธีที่มีประสิทธิภาพมากที่สุดวิธีหนึ่งคือการรวมข้อมูลการขาย ซึ่งเป็นชุดข้อมูลเป้าหมาย จากคลังข้อมูลในช่วงเริ่มต้นของโครงการ ซึ่งขึ้นอยู่กับข้อเท็จจริงที่ว่าผลลัพธ์ของการคาดการณ์มักถูกครอบงำโดยรูปแบบชุดข้อมูลเป้าหมาย คลังข้อมูลมักจะจัดเก็บข้อมูลทางธุรกิจแบบวันต่อวัน และการทำความเข้าใจอย่างถี่ถ้วนภายในระยะเวลาสั้นๆ นั้นยากและใช้เวลานาน คำแนะนำของเราคือให้เน้นที่การสร้างชุดข้อมูลเป้าหมายและตรวจสอบให้แน่ใจว่าชุดข้อมูลนี้ถูกต้อง การสำรวจข้อมูลและผลลัพธ์พื้นฐานมักจะทำได้ภายในสองสามวัน และสิ่งนี้สามารถกำหนดได้ว่าสามารถคาดการณ์ข้อมูลเป้าหมายได้อย่างแม่นยำหรือไม่ เราจะพูดถึงความสามารถในการคาดการณ์ข้อมูลในภายหลังในโพสต์นี้

การย้ำ

หลังจากที่เราได้ผลลัพธ์พื้นฐานแล้ว เราสามารถเพิ่มข้อมูลที่เกี่ยวข้องต่อไปเพื่อดูว่าข้อมูลเหล่านี้ส่งผลต่อความแม่นยำอย่างไร ซึ่งมักจะทำผ่านการเจาะลึกเข้าไปในชุดข้อมูลเพิ่มเติม สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การใช้ชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้อง และ การใช้ชุดข้อมูล Metadata ของรายการ.

ในบางกรณี อาจเป็นไปได้ที่จะปรับปรุงความแม่นยำใน Amazon Forecast โดยการฝึกโมเดลด้วยชุดย่อยของชุดข้อมูลที่มีลักษณะการทำงานคล้ายกัน หรือโดยการลบข้อมูลที่กระจัดกระจายออกจากชุดข้อมูล ในระหว่างขั้นตอนการปรับปรุงซ้ำๆ นี้ ส่วนที่ท้าทายซึ่งเป็นจริงสำหรับโปรเจ็กต์ ML ทั้งหมดคือการทำซ้ำในปัจจุบันขึ้นอยู่กับการค้นพบที่สำคัญและข้อมูลเชิงลึกของการทำซ้ำครั้งก่อน ดังนั้นการวิเคราะห์และการรายงานอย่างเข้มงวดจึงเป็นกุญแจสู่ความสำเร็จ

การวิเคราะห์สามารถทำได้ทั้งเชิงปริมาณและเชิงประจักษ์ ด้านปริมาณหมายถึงการประเมินระหว่างการทดสอบย้อนหลังและการเปรียบเทียบเมตริกความแม่นยำ เช่น วาเป้. มุมมองเชิงประจักษ์หมายถึงการแสดงภาพเส้นโค้งการทำนายและข้อมูลเป้าหมายจริง และการใช้ความรู้โดเมนเพื่อรวมปัจจัยที่เป็นไปได้ การวิเคราะห์เหล่านี้ช่วยให้คุณทำซ้ำได้เร็วขึ้นเพื่อลดช่องว่างระหว่างผลลัพธ์ที่คาดการณ์และข้อมูลเป้าหมาย นอกจากนี้ การนำเสนอผลลัพธ์ดังกล่าวผ่านรายงานประจำสัปดาห์มักจะสร้างความมั่นใจให้กับผู้ใช้ปลายทางทางธุรกิจ

อัตโนมัติ

ขั้นตอนสุดท้ายมักจะเกี่ยวข้องกับการอภิปรายเกี่ยวกับ POC ไปจนถึงขั้นตอนการผลิตและระบบอัตโนมัติ เนื่องจากโปรเจกต์ ML ถูกจำกัดด้วยระยะเวลาโปรเจ็กต์ทั้งหมด เราจึงอาจไม่มีเวลามากพอที่จะสำรวจทุกความเป็นไปได้ ดังนั้นการระบุพื้นที่ที่มีศักยภาพตลอดการค้นพบในระหว่างโครงการมักจะได้รับความไว้วางใจ นอกจากนี้ ระบบอัตโนมัติยังสามารถช่วยให้ผู้ใช้ทางธุรกิจประเมินการคาดการณ์เป็นระยะเวลานานขึ้น เนื่องจากสามารถใช้ตัวทำนายที่มีอยู่เพื่อสร้างการคาดการณ์ด้วยข้อมูลที่อัปเดต

เกณฑ์ความสำเร็จสามารถประเมินได้ด้วยผลลัพธ์ที่สร้างขึ้น ทั้งจากมุมมองด้านเทคนิคและธุรกิจ ในช่วงระยะเวลาการประเมิน เราสามารถประเมินผลประโยชน์ที่เป็นไปได้สำหรับสิ่งต่อไปนี้:

• การเพิ่มความแม่นยำในการพยากรณ์ (ทางเทคนิค) – คำนวณความแม่นยำในการทำนายโดยคำนึงถึงข้อมูลการขายจริง และเปรียบเทียบกับระบบการพยากรณ์ที่มีอยู่ รวมถึงการคาดการณ์ด้วยตนเอง
• ลดของเสีย (ธุรกิจ) – ลดการคาดการณ์ที่มากเกินไปเพื่อลดของเสีย
• การปรับปรุงอัตราสินค้าคงคลัง (ธุรกิจ) – ลดการคาดการณ์ล่วงหน้าเพื่อปรับปรุงอัตราสินค้าคงคลัง
• การประมาณการการเพิ่มขึ้นของกำไรขั้นต้น (ธุรกิจ) – ลดการสูญเสียและปรับปรุงอัตราสินค้าคงคลังเพื่อเพิ่มกำไรขั้นต้น

เราสรุปขั้นตอนการพัฒนาในแผนภาพต่อไปนี้

ในส่วนต่อไปนี้ เราจะหารือเกี่ยวกับองค์ประกอบสำคัญที่ต้องพิจารณาระหว่างการดำเนินการ

เวิร์กโฟลว์ทีละขั้นตอนสำหรับการพัฒนาระบบพยากรณ์

การสร้างชุดข้อมูลเป้าหมาย

ขั้นตอนแรกคือการสร้างชุดข้อมูลเป้าหมายสำหรับการพยากรณ์ ในอุตสาหกรรมค้าปลีก ข้อมูลนี้อ้างอิงถึงความต้องการอนุกรมเวลาในอดีตและข้อมูลการขายสำหรับสินค้าขายปลีก (SKU) เมื่อเตรียมชุดข้อมูล สิ่งสำคัญประการหนึ่งคือความละเอียด เราควรพิจารณารายละเอียดของข้อมูลทั้งจากข้อกำหนดทางธุรกิจและข้อกำหนดทางเทคนิค

ธุรกิจกำหนดวิธีการคาดการณ์ผลลัพธ์ในระบบการผลิต:

• ขอบฟ้า – จำนวนขั้นตอนเวลาที่คาดการณ์ ขึ้นอยู่กับปัญหาทางธุรกิจพื้นฐาน หากเราต้องการเติมระดับสต็อกในแต่ละสัปดาห์ การพยากรณ์รายสัปดาห์หรือรายวันก็ดูจะเหมาะสม
• อาการเป็นเมล็ด – ความละเอียดของการคาดการณ์ของคุณ: ความถี่ของเวลา เช่น รายวันหรือรายสัปดาห์ ที่ตั้งร้านค้าที่แตกต่างกัน และขนาดที่แตกต่างกันของสินค้าเดียวกัน ในท้ายที่สุด การคาดคะเนอาจเป็นการผสมผสานระหว่าง SKU ของร้านค้าแต่ละแห่งกับจุดข้อมูลรายวัน

แม้ว่าขอบเขตและความละเอียดของการคาดการณ์ที่กล่าวถึงข้างต้นควรได้รับการกำหนดเพื่อจัดลำดับความสำคัญของความต้องการทางธุรกิจ เราอาจจำเป็นต้องทำการแลกเปลี่ยนระหว่างความต้องการและความเป็นไปได้ ยกตัวอย่างธุรกิจรองเท้าเป็นตัวอย่างหนึ่ง หากเราต้องการคาดการณ์ยอดขายของรองเท้าแต่ละขนาดในแต่ละระดับร้านค้า ข้อมูลก็จะเบาบางลงในไม่ช้าและหารูปแบบได้ยาก อย่างไรก็ตาม ในการเติมสต็อก เราจำเป็นต้องประเมินความละเอียดนี้ ในการดำเนินการนี้ โซลูชันทางเลือกอาจต้องประมาณอัตราส่วนระหว่างขนาดรองเท้าต่างๆ และใช้อัตราส่วนนี้ในการคำนวณผลลัพธ์แบบละเอียด

เรามักจะต้องสร้างความสมดุลระหว่างความต้องการทางธุรกิจและรูปแบบข้อมูลที่สามารถเรียนรู้และนำไปใช้ในการคาดการณ์ได้ เพื่อให้คุณสมบัติเชิงปริมาณของรูปแบบข้อมูล เราเสนอโดยใช้ความสามารถในการคาดการณ์ข้อมูล

ความสามารถในการคาดการณ์ข้อมูลและการจำแนกรูปแบบข้อมูล

ข้อมูลเชิงลึกที่สำคัญอย่างหนึ่งที่เราสามารถรวบรวมได้จากชุดข้อมูลเป้าหมายคือความสามารถในการสร้างการคาดการณ์ที่มีคุณภาพ สิ่งนี้สามารถวิเคราะห์ได้ในช่วงแรกของโครงการ ML การคาดการณ์จะส่องสว่างเมื่อข้อมูลแสดงฤดูกาล แนวโน้ม และรูปแบบวัฏจักร

ในการกำหนดความสามารถในการคาดการณ์ มีค่าสัมประสิทธิ์หลักสองค่า ได้แก่ ความผันแปรของช่วงเวลาอุปสงค์และความแปรปรวนของปริมาณอุปสงค์ ความผันแปรของเวลาอุปสงค์หมายถึงช่วงเวลาระหว่างสองอินสแตนซ์ของอุปสงค์ และวัดความสม่ำเสมอของอุปสงค์ในเวลา ความผันแปรของปริมาณอุปสงค์หมายถึงความผันแปรของปริมาณ รูปต่อไปนี้แสดงรูปแบบต่างๆ ความแม่นยำในการคาดการณ์ขึ้นอยู่กับความสามารถในการคาดการณ์ของผลิตภัณฑ์เป็นอย่างมาก สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การจำแนกประเภทอุปสงค์: เหตุใดความสามารถในการคาดการณ์จึงมีความสำคัญ.

เป็นที่น่าสังเกตว่าการวิเคราะห์ความสามารถในการคาดการณ์นี้มีไว้สำหรับแต่ละรายการแบบละเอียด (เช่น SKU-Store-Color-Size) เป็นเรื่องปกติที่ในระบบการผลิตที่คาดการณ์ความต้องการ สินค้าที่แตกต่างกันจะมีรูปแบบที่แตกต่างกัน ดังนั้น สิ่งสำคัญคือต้องแยกรายการตามรูปแบบข้อมูลที่แตกต่างกัน ตัวอย่างทั่วไปอย่างหนึ่งคือสิ่งของที่เคลื่อนไหวเร็วและเคลื่อนไหวช้า อีกตัวอย่างหนึ่งคือข้อมูลที่หนาแน่นและเบาบาง นอกจากนี้ สิ่งของที่มีเนื้อละเอียดยังมีโอกาสเกิดรูปแบบเป็นก้อนได้มากกว่า ตัวอย่างเช่น ในร้านขายเสื้อผ้า การขายสินค้ายอดนิยมหนึ่งรายการอาจค่อนข้างราบรื่นในแต่ละวัน แต่ถ้าเราแยกการขายสินค้าสำหรับแต่ละสีและขนาดเพิ่มเติม ในไม่ช้าก็จะเบาบางลง ดังนั้น การลดความละเอียดจาก SKU-Store-Color-Size เป็น SKU-Store สามารถเปลี่ยนรูปแบบข้อมูลจากก้อนเป็นเรียบ และในทางกลับกัน

ยิ่งไปกว่านั้น ไม่ใช่ทุกรายการที่มีส่วนช่วยในการขายอย่างเท่าเทียมกัน เราสังเกตว่าการลงรายการสินค้ามักจะเป็นไปตามการแจกแจงของ Pareto ซึ่งรายการยอดนิยมนั้นมีส่วนช่วยในการขายส่วนใหญ่ การขายของบนนี้มักจะราบรื่น รายการที่มียอดขายต่ำกว่ามักจะเป็นก้อนและไม่แน่นอน ดังนั้นจึงประเมินได้ยาก การเพิ่มรายการเหล่านี้อาจลดความแม่นยำของรายการที่มียอดขายสูงสุด จากการสังเกตเหล่านี้ เราสามารถแยกสินค้าออกเป็นกลุ่มต่างๆ ฝึกโมเดลการคาดการณ์เกี่ยวกับสินค้าที่มียอดขายสูงสุด และจัดการสินค้าที่มียอดขายต่ำกว่าเป็นกรณีเข้ามุม

การเพิ่มข้อมูลและการเลือกชุดข้อมูลเพิ่มเติม

เมื่อเราต้องการใช้ชุดข้อมูลเพิ่มเติมเพื่อปรับปรุงประสิทธิภาพของผลการพยากรณ์ เราสามารถพึ่งพาได้ ชุดข้อมูลอนุกรมเวลา และ ชุดข้อมูลเมตาดาต้า. ในโดเมนการขายปลีก ตามสัญชาตญาณและความรู้ในโดเมน คุณลักษณะต่างๆ เช่น สินค้าคงคลัง ราคา โปรโมชัน และฤดูหนาวหรือฤดูร้อนสามารถนำเข้าเป็นอนุกรมเวลาที่เกี่ยวข้องได้ วิธีที่ง่ายที่สุดในการระบุประโยชน์ของคุณลักษณะคือความสำคัญของคุณลักษณะ ในการพยากรณ์ สิ่งนี้ทำได้โดยการวิเคราะห์ที่สามารถอธิบายได้ พยากรณ์ ความสามารถในการอธิบายตัวทำนาย ช่วยให้เราเข้าใจได้ดีขึ้นว่าแอตทริบิวต์ในชุดข้อมูลส่งผลต่อการคาดการณ์สำหรับเป้าหมายอย่างไร การคาดการณ์ใช้เมตริกที่เรียกว่าคะแนนผลกระทบเพื่อวัดปริมาณผลกระทบสัมพัทธ์ของแต่ละแอตทริบิวต์ และกำหนดว่าจะเพิ่มหรือลดค่าการคาดการณ์ หากแอตทริบิวต์อย่างน้อยหนึ่งรายการมีคะแนนผลกระทบเป็นศูนย์ แสดงว่าแอตทริบิวต์เหล่านี้ไม่มีผลกระทบอย่างมีนัยสำคัญต่อค่าพยากรณ์ ด้วยวิธีนี้ เราสามารถลบคุณลักษณะที่มีผลกระทบน้อยกว่าและเพิ่มคุณลักษณะที่มีศักยภาพซ้ำๆ ได้อย่างรวดเร็ว โปรดทราบว่าคะแนนผลกระทบจะวัดผลกระทบสัมพัทธ์ของแอตทริบิวต์ ซึ่งได้รับการทำให้เป็นมาตรฐานร่วมกับคะแนนผลกระทบของแอตทริบิวต์อื่นๆ ทั้งหมด

เช่นเดียวกับโครงการ ML ทั้งหมด การปรับปรุงความแม่นยำด้วยคุณสมบัติเพิ่มเติมจำเป็นต้องมีการทดลองซ้ำ คุณต้องทดลองกับชุดข้อมูลหลายๆ ชุด ในขณะที่สังเกตผลกระทบของการเปลี่ยนแปลงที่เพิ่มขึ้นต่อความแม่นยำของโมเดล คุณสามารถลองเรียกใช้การทดสอบการคาดการณ์หลายรายการผ่านคอนโซลการคาดการณ์หรือด้วย โน้ตบุ๊ก Python พร้อม Forecast API. นอกจากนี้คุณยังสามารถเข้าร่วมกับ การก่อตัวของ AWS Cloudซึ่งปรับใช้โซลูชันสำเร็จรูปของ AWS สำหรับกรณีการใช้งานทั่วไป (เช่น การปรับปรุงความแม่นยำของการคาดการณ์ด้วยโซลูชันการเรียนรู้ของเครื่อง). การคาดการณ์จะแยกชุดข้อมูลโดยอัตโนมัติและสร้างเมตริกความแม่นยำเพื่อประเมินตัวทำนาย สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การประเมินความแม่นยำของตัวทำนาย. สิ่งนี้ช่วยให้นักวิทยาศาสตร์ข้อมูลทำซ้ำได้เร็วขึ้นเพื่อให้ได้โมเดลที่มีประสิทธิภาพดีที่สุด

การปรับปรุงขั้นสูงและการจัดการกรณีมุม

เราได้กล่าวไว้ว่าอัลกอริทึมการคาดการณ์สามารถเรียนรู้ฤดูกาล แนวโน้ม และคุณลักษณะที่เป็นวัฏจักรจากข้อมูล สำหรับรายการที่มีลักษณะเหล่านี้ และมีความหนาแน่นและปริมาณข้อมูลที่เหมาะสม เราสามารถใช้ Forecast เพื่อสร้างการประมาณค่าได้ อย่างไรก็ตาม เมื่อเผชิญกับรูปแบบข้อมูลที่เป็นก้อน โดยเฉพาะอย่างยิ่งเมื่อปริมาณข้อมูลมีขนาดเล็ก เราอาจจำเป็นต้องจัดการกับรูปแบบเหล่านี้แตกต่างกัน เช่น การประมาณค่าเชิงประจักษ์โดยอิงจากชุดกฎ

สำหรับ SKU ที่หนาแน่น เราปรับปรุงความแม่นยำของการคาดการณ์เพิ่มเติมโดยการฝึกโมเดลด้วยชุดย่อยของชุดข้อมูลอนุกรมเวลาที่มีลักษณะการทำงานคล้ายกัน กลยุทธ์การแยกส่วนย่อยที่เราใช้ ได้แก่ ตรรกะทางธุรกิจ ประเภทผลิตภัณฑ์ ความหนาแน่นของข้อมูล และรูปแบบที่เรียนรู้โดยอัลกอริทึม หลังจากสร้างชุดย่อยแล้ว เราสามารถฝึกแบบจำลองการคาดการณ์หลายชุดสำหรับชุดย่อยที่แตกต่างกันได้ ตัวอย่างเช่น อ้างถึง ข้อมูลอนุกรมเวลาของคลัสเตอร์สำหรับใช้กับ Amazon Forecast.

มุ่งสู่การผลิต: การอัปเดตชุดข้อมูล การตรวจสอบ และการฝึกซ้ำ

ลองสำรวจตัวอย่างสถาปัตยกรรมด้วย Forecast ดังแสดงในแผนภาพต่อไปนี้ ทุกครั้งที่ผู้ใช้ปลายทางรวมชุดข้อมูลใหม่บน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) มันทำงาน ฟังก์ชันขั้นตอนของ AWS เพื่อจัดการองค์ประกอบต่างๆ รวมถึงการสร้างงานนำเข้าชุดข้อมูล สร้างตัวทำนายอัตโนมัติ และสร้างการคาดการณ์ หลังจากสร้างผลลัพธ์การคาดการณ์แล้ว ขั้นตอนสร้างการส่งออกการคาดการณ์จะส่งออกไปยัง Amazon S3 สำหรับผู้ใช้ปลายทาง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีจัดเตรียมไปป์ไลน์อัตโนมัตินี้ โปรดดูที่ การทำงานอัตโนมัติด้วย AWS CloudFormation. ใช้สแต็ก CloudFormation เพื่อปรับใช้ชุดข้อมูลโดยอัตโนมัติไปยังบัคเก็ต S3 และทริกเกอร์ไปป์ไลน์การคาดการณ์ คุณสามารถใช้ชุดการทำงานอัตโนมัติเดียวกันเพื่อสร้างการคาดการณ์ด้วยชุดข้อมูลของคุณเอง

มีสองวิธีในการรวมแนวโน้มล่าสุดเข้ากับระบบการพยากรณ์: อัปเดตข้อมูลหรือฝึกอบรมตัวทำนายอีกครั้ง

หากต้องการสร้างการคาดการณ์ด้วยข้อมูลที่อัปเดตซึ่งสะท้อนถึงแนวโน้มล่าสุด คุณต้องอัปโหลดไฟล์ข้อมูลอินพุตที่อัปเดตไปยังบัคเก็ต S3 (ข้อมูลอินพุตที่อัปเดตควรยังมีข้อมูลที่มีอยู่ทั้งหมดของคุณ) การคาดการณ์จะไม่ฝึกตัวทำนายใหม่โดยอัตโนมัติเมื่อคุณนำเข้าชุดข้อมูลที่อัปเดต คุณสามารถ สร้างการคาดการณ์ อย่างที่คุณมักจะทำ การคาดการณ์จะคาดการณ์ขอบเขตการคาดการณ์ที่เริ่มต้นจากวันสุดท้ายในข้อมูลอินพุตที่อัปเดต ดังนั้น แนวโน้มล่าสุดจึงรวมอยู่ในการอนุมานใหม่ๆ ที่ผลิตโดย Forecast

อย่างไรก็ตาม หากคุณต้องการให้ตัวทำนายของคุณได้รับการฝึกฝนจากข้อมูลใหม่ คุณต้องสร้างตัวทำนายใหม่ คุณอาจต้องพิจารณาฝึกโมเดลใหม่เมื่อรูปแบบข้อมูล (ฤดูกาล แนวโน้ม หรือรอบ) เปลี่ยนไป ตามที่กล่าวไว้ใน ตรวจสอบความถูกต้องของตัวทำนายอย่างต่อเนื่องด้วย Amazon Forecastประสิทธิภาพของตัวทำนายจะผันผวนเมื่อเวลาผ่านไป เนื่องจากปัจจัยต่างๆ เช่น การเปลี่ยนแปลงของสภาพแวดล้อมทางเศรษฐกิจหรือพฤติกรรมของผู้บริโภค ดังนั้น ตัวทำนายอาจต้องได้รับการฝึกอบรมใหม่ หรืออาจต้องสร้างตัวทำนายใหม่เพื่อให้แน่ใจว่าการทำนายที่แม่นยำสูงจะยังคงดำเนินต่อไป ด้วยความช่วยเหลือของ การตรวจสอบการทำนาย, Forecast สามารถติดตามคุณภาพของตัวทำนายของคุณ ช่วยให้คุณลดความพยายามในการดำเนินงาน ในขณะที่ช่วยให้คุณตัดสินใจอย่างรอบรู้มากขึ้นเกี่ยวกับการรักษา ฝึกใหม่ หรือสร้างตัวทำนายของคุณใหม่

สรุป

Amazon Forecast คือบริการคาดการณ์อนุกรมเวลาโดยใช้ ML และสร้างขึ้นสำหรับการวิเคราะห์เมตริกทางธุรกิจ เราสามารถรวมการคาดคะเนการคาดการณ์อุปสงค์ด้วยความแม่นยำสูงโดยการรวมการขายในอดีตและข้อมูลที่เกี่ยวข้องอื่นๆ เช่น สินค้าคงคลัง โปรโมชัน หรือฤดูกาล ภายใน 8 สัปดาห์ เราได้ช่วยลูกค้ารายย่อยรายหนึ่งของเราให้คาดการณ์ความต้องการได้อย่างแม่นยำ โดยปรับปรุง 10% เมื่อเทียบกับการคาดการณ์ด้วยตนเอง สิ่งนี้นำไปสู่การประหยัดเวลาแรงงานโดยตรง 16 ชั่วโมงต่อเดือน และยอดขายโดยประมาณเพิ่มขึ้นสูงสุด 11.8%

โพสต์นี้แบ่งปันแนวทางปฏิบัติทั่วไปในการนำโครงการการคาดการณ์ของคุณตั้งแต่การพิสูจน์แนวคิดไปจนถึงการผลิต เริ่มต้นตอนนี้ด้วย พยากรณ์อเมซอน เพื่อให้ได้การคาดการณ์ที่แม่นยำสูงสำหรับธุรกิจของคุณ

---

เกี่ยวกับผู้เขียน

เหยียนเว่ย ชุยปริญญาเอก เป็นสถาปนิกโซลูชัน Machine Learning Specialist Solutions ที่ AWS เขาเริ่มการวิจัยแมชชีนเลิร์นนิงที่ IRISA (สถาบันวิจัยวิทยาการคอมพิวเตอร์และระบบสุ่ม) และมีประสบการณ์หลายปีในการสร้างแอปพลิเคชันทางอุตสาหกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ในด้านคอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และการทำนายพฤติกรรมผู้ใช้ออนไลน์ ที่ AWS เขาแบ่งปันความเชี่ยวชาญด้านโดเมนและช่วยให้ลูกค้าปลดล็อกศักยภาพทางธุรกิจ และขับเคลื่อนผลลัพธ์ที่นำไปใช้งานได้จริงด้วยแมชชีนเลิร์นนิงในวงกว้าง นอกงานเขาชอบอ่านหนังสือและท่องเที่ยว

กอร์ดอน วัง เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสในทีมบริการระดับมืออาชีพที่ Amazon Web Services เขาให้การสนับสนุนลูกค้าในหลายอุตสาหกรรม รวมถึงสื่อ การผลิต พลังงาน การค้าปลีก และการดูแลสุขภาพ เขาหลงใหลเกี่ยวกับคอมพิวเตอร์วิทัศน์ การเรียนรู้เชิงลึก และ MLOps ในเวลาว่างเขาชอบวิ่งและเดินป่า