خوردہ صنعت میں ایمیزون کی پیشن گوئی کو نافذ کرنا: پی او سی سے پیداوار تک کا سفر

ایمیزون کی پیشن گوئی ایک مکمل طور پر منظم سروس ہے جو شماریاتی اور مشین لرننگ (ML) الگورتھم کو انتہائی درست ٹائم سیریز کی پیشین گوئیاں فراہم کرنے کے لیے استعمال کرتی ہے۔ حال ہی میں، Amazon Forecast کی بنیاد پر، ہم نے اپنے خوردہ صارفین میں سے ایک کو 8 ہفتوں کے اندر درست مانگ کی پیشن گوئی حاصل کرنے میں مدد کی۔ اس حل نے دستی پیشن گوئی میں اوسطاً 10 فیصد بہتری لائی ہے۔ WAPE میٹرک اس سے ماہانہ 16 مزدوری کے اوقات کی براہ راست بچت ہوتی ہے۔ اس کے علاوہ، ہم نے اندازہ لگایا کہ اشیاء کی صحیح تعداد کو پورا کرنے سے، فروخت میں 11.8% تک اضافہ ہو سکتا ہے۔ اس پوسٹ میں، ہم ورک فلو اور لاگو کرنے کے لیے اہم عناصر پیش کرتے ہیں — تصور کے ثبوت (POC) سے لے کر پیداوار تک — Amazon Forecast کے ساتھ ڈیمانڈ فورکاسٹنگ سسٹم، جو ریٹیل انڈسٹری میں چیلنجز پر مرکوز ہے۔

ریٹیل انڈسٹری میں مانگ کی پیشن گوئی کے پس منظر اور موجودہ چیلنجز

طلب کی پیشن گوئی کا مقصد تاریخی اعداد و شمار سے مستقبل کی طلب کا تخمینہ لگانا، اور ذخیرہ اندوزی اور صلاحیت مختص کرنے میں مدد کرنا ہے۔ ڈیمانڈ کی پیشن گوئی کے ساتھ، خوردہ فروش مانگ کو پورا کرنے کے لیے اپنے نیٹ ورک میں ہر مقام پر انوینٹری کی صحیح مقدار رکھنے کے قابل ہوتے ہیں۔ لہذا، ایک درست پیشن گوئی کا نظام مختلف کاروباری افعال میں فوائد کی ایک وسیع رینج چلا سکتا ہے، جیسے:

• مصنوعات کی بہتر دستیابی سے فروخت میں اضافہ اور انٹر اسٹور ٹرانسفر فضلہ کی کوششوں کو کم کرنا
• صلاحیت کے استعمال کو بہتر بنانے اور صلاحیت کی فراہمی میں رکاوٹوں سے بچنے کے لیے زیادہ قابل اعتماد بصیرت فراہم کرنا
• انوینٹری اور پیداواری لاگت کو کم کرنا اور انوینٹری ٹرن اوور کو بہتر بنانا
• مجموعی طور پر بہتر کسٹمر کا تجربہ پیش کرنا

جب اچھے معیار کے ڈیٹا کی ایک بڑی مقدار موجود ہوتی ہے تو ML تکنیک بڑی اہمیت کا مظاہرہ کرتی ہے۔ آج، زیادہ تر خوردہ فروشوں کے لیے تجربے کی بنیاد پر دوبارہ بھرنے کا انتظام یا طلب کی پیشن گوئی اب بھی مرکزی دھارے میں شامل ہے۔ کسٹمر کے تجربے کو بہتر بنانے کے مقصد کے ساتھ، زیادہ سے زیادہ خوردہ فروش تجربے پر مبنی ڈیمانڈ پیشن گوئی کے نظام کو ML پر مبنی پیشن گوئیوں سے بدلنے کے لیے تیار ہیں۔ تاہم، خوردہ فروشوں کو متعدد چیلنجوں کا سامنا کرنا پڑتا ہے جب ایم ایل پر مبنی ڈیمانڈ فورکاسٹنگ سسٹم کو پیداوار میں لاگو کیا جاتا ہے۔ ہم مختلف چیلنجوں کا خلاصہ تین زمروں میں کرتے ہیں: ڈیٹا چیلنجز، ایم ایل چیلنجز، اور آپریشنل چیلنجز۔

ڈیٹا چیلنجز

ML پر مبنی درست پیشین گوئیاں چلانے کے لیے صاف ستھرے، معیاری ڈیٹا کی ایک بڑی مقدار ایک اہم ضرورت ہے۔ کوالٹی ڈیٹا، بشمول تاریخی سیلز اور سیلز سے متعلق ڈیٹا (جیسے انوینٹری، آئٹم کی قیمتوں کا تعین، اور پروموشنز)، کو جمع اور مضبوط کرنے کی ضرورت ہے۔ متعدد وسائل سے ڈیٹا کے تنوع کو ڈیٹا سائلو کو متحد کرنے کے لیے ایک جدید ڈیٹا پلیٹ فارم کی ضرورت ہوتی ہے۔ اس کے علاوہ، متواتر اور عمدہ طلب کی پیشین گوئی کے لیے بروقت ڈیٹا تک رسائی ضروری ہے۔

ایم ایل چیلنجز

اعلی درجے کی ML الگورتھم تیار کرنے کے لیے مہارت کی ضرورت ہوتی ہے۔ صحیح مسئلے کے لیے صحیح الگورتھم کو لاگو کرنے کے لیے ڈومین کی گہرائی سے علم اور ایم ایل کی اہلیت دونوں کی ضرورت ہوتی ہے۔ اس کے علاوہ، بڑے دستیاب ڈیٹاسیٹس سے سیکھنے کے لیے قابل توسیع ML انفراسٹرکچر کی ضرورت ہوتی ہے۔ مزید برآں، پیداوار میں ML الگورتھم کو برقرار رکھنے کے لیے ML کی اہلیت کی ضرورت ہوتی ہے تاکہ ماڈل کے انحطاط کی بنیادی وجہ کا تجزیہ کیا جا سکے اور ماڈل کو درست طریقے سے تربیت دی جا سکے۔

عملی کاروباری مسائل کو حل کرنے کے لیے، درست پیشین گوئیاں پیش کرنا کہانی کا صرف ایک حصہ ہے۔ فیصلہ سازوں کو مختلف مقداروں پر امکانی پیشین گوئی کی ضرورت ہوتی ہے جو اہم کسٹمر کا تجربہ بنام مالیاتی نتائج کے تجارتی فیصلے کرتے ہیں۔ انہیں اسٹیک ہولڈرز کو پیشین گوئیوں کی وضاحت کرنے کی بھی ضرورت ہے، اور اس بات کی تحقیقات کرنے کے لیے کہ مختلف منظرنامے کس طرح پیشین گوئی کے نتائج کو متاثر کر سکتے ہیں، کیا تجزیہ کریں

آپریشنل چیلنجز

لاگت سے موثر پیشن گوئی کے نظام کو برقرار رکھنے کی آپریشنل کوششوں کو کم کرنا تیسرا بنیادی چیلنج ہے۔ مانگ کی پیشن گوئی کے ایک عام منظر نامے میں، ہر مقام پر ہر شے کی اپنی پیشن گوئی ہوتی ہے۔ ایک ایسا نظام جو کسی بھی وقت لاکھوں کی تعداد میں پیشین گوئیوں کا انتظام کر سکے۔ اس کے علاوہ، کاروباری اختتامی صارفین کو پیشن گوئی کے نظام کو موجودہ بہاو نظام، جیسے کہ موجودہ سپلائی چین مینجمنٹ پلیٹ فارمز میں ضم کرنے کی ضرورت ہے، تاکہ وہ موجودہ ٹولز اور عمل میں ترمیم کیے بغیر ایم ایل پر مبنی نظام استعمال کر سکیں۔

یہ چیلنجز خاص طور پر اس وقت شدید ہوتے ہیں جب کاروبار بڑا، متحرک اور بڑھتا ہو۔ ان چیلنجوں سے نمٹنے کے لیے، ہم گاہک کی کامیابی کی کہانی کا اشتراک کرتے ہیں جو ممکنہ کاروباری فائدہ کو تیزی سے درست کرنے کی کوششوں کو کم کرتی ہے۔ یہ Amazon Forecast کے ساتھ پروٹو ٹائپنگ کے ذریعے حاصل کیا جاتا ہے — ایک مکمل طور پر منظم سروس جو بنیادی ڈھانچے کے وسائل اور الگورتھم کو منظم کرنے کی ضرورت کے بغیر درست پیشین گوئی کے نتائج فراہم کرتی ہے۔

ایمیزون کی پیشن گوئی کے ساتھ ایم ایل پر مبنی پیشن گوئی کے نظام کے لیے تیز رفتار پروٹو ٹائپنگ

ہمارے تجربے کی بنیاد پر، ہم اکثر دیکھتے ہیں کہ خوردہ صارفین اپنے سیلز ڈیٹا پر تصور کا ثبوت دینے کے لیے تیار ہیں۔ یہ تیز رفتار پروٹو ٹائپنگ کے لیے چند دنوں سے چند ہفتوں کے اندر اندر کیا جا سکتا ہے، یہ ڈیٹا کی پیچیدگی اور ماڈل ٹیوننگ کے عمل کے ذریعے اعادہ کرنے کے لیے دستیاب وسائل پر منحصر ہے۔ پروٹو ٹائپنگ کے دوران، ہم عمل کو مؤثر طریقے سے منظم کرنے کے لیے سپرنٹ استعمال کرنے اور POC کو ڈیٹا کی تلاش، تکراری بہتری، اور آٹومیشن کے مراحل میں الگ کرنے کا مشورہ دیتے ہیں۔

ڈیٹا ایکسپلوریشن

ڈیٹا ایکسپلوریشن میں اکثر ڈیٹا سائنسدانوں یا کاروباری ذہانت کے تجزیہ کاروں کے ساتھ گہری بحث شامل ہوتی ہے تاکہ تاریخی سیلز ڈیٹاسیٹ اور دستیاب ڈیٹا کے ذرائع سے واقف ہو سکیں جو ممکنہ طور پر پیشن گوئی کے نتائج کو متاثر کر سکتے ہیں، جیسے کہ انوینٹری اور تاریخی پروموشنل ایونٹس۔ سب سے زیادہ کارآمد طریقوں میں سے ایک یہ ہے کہ پراجیکٹ کے ابتدائی مرحلے میں ڈیٹا گودام سے ٹارگٹ ڈیٹاسیٹ کے طور پر سیلز ڈیٹا کو مضبوط کیا جائے۔ یہ اس حقیقت پر مبنی ہے کہ پیشن گوئی کے نتائج اکثر ٹارگٹ ڈیٹاسیٹ پیٹرن پر حاوی ہوتے ہیں۔ ڈیٹا گودام اکثر روزمرہ کے کاروباری ڈیٹا کو ذخیرہ کرتے ہیں، اور مختصر مدت میں مکمل سمجھنا مشکل اور وقت طلب ہوتا ہے۔ ہماری تجویز یہ ہے کہ ٹارگٹ ڈیٹاسیٹ بنانے پر توجہ دیں اور یقینی بنائیں کہ یہ ڈیٹاسیٹ درست ہے۔ یہ ڈیٹا ایکسپلوریشن اور بیس لائن کے نتائج اکثر چند دنوں میں حاصل کیے جا سکتے ہیں، اور یہ اس بات کا تعین کر سکتا ہے کہ آیا ہدف کے ڈیٹا کی درست پیش گوئی کی جا سکتی ہے۔ ہم بعد میں اس پوسٹ میں ڈیٹا کی پیشن گوئی پر تبادلہ خیال کریں گے۔

تکرار

بنیادی نتائج حاصل کرنے کے بعد، ہم یہ دیکھنے کے لیے مزید متعلقہ ڈیٹا شامل کرنا جاری رکھ سکتے ہیں کہ یہ کس طرح درستگی کو متاثر کر سکتے ہیں۔ یہ اکثر اضافی ڈیٹاسیٹس میں گہرے غوطے کے ذریعے کیا جاتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ متعلقہ ٹائم سیریز ڈیٹاسیٹس کا استعمال اور آئٹم میٹا ڈیٹا ڈیٹاسیٹس کا استعمال.

کچھ معاملات میں، ڈیٹاسیٹ کے اسی طرح کے برتاؤ کرنے والے ذیلی سیٹوں کے ساتھ ماڈلز کو تربیت دے کر، یا ڈیٹاسیٹ سے ویرل ڈیٹا کو ہٹا کر ایمیزون کی پیشن گوئی میں درستگی کو بہتر بنانا ممکن ہو سکتا ہے۔ اس تکراری بہتری کے مرحلے کے دوران، چیلنجنگ حصہ — تمام ML پروجیکٹس کے لیے درست ہے — یہ ہے کہ موجودہ تکرار کا انحصار پچھلی تکرار کے کلیدی نتائج اور بصیرت پر ہے، اس لیے سخت تجزیہ اور رپورٹنگ کامیابی کے لیے کلید ہے۔

تجزیہ مقداری اور تجرباتی طور پر کیا جا سکتا ہے۔ مقداری پہلو سے مراد بیک ٹیسٹنگ کے دوران تشخیص اور درستگی میٹرک کا موازنہ کرنا ہے، جیسے WAPE. تجرباتی پہلو سے مراد پیشین گوئی کے منحنی خطوط اور اصل ہدف کے اعداد و شمار کا تصور کرنا، اور ممکنہ عوامل کو شامل کرنے کے لیے ڈومین علم کا استعمال کرنا ہے۔ یہ تجزیے پیشن گوئی شدہ نتائج اور ہدف کے اعداد و شمار کے درمیان فرق کو ختم کرنے کے لیے آپ کو تیزی سے اعادہ کرنے میں مدد کرتے ہیں۔ اس کے علاوہ، ہفتہ وار رپورٹ کے ذریعے ایسے نتائج پیش کرنا اکثر کاروباری اختتامی صارفین کو اعتماد فراہم کر سکتا ہے۔

میشن

آخری مرحلے میں اکثر پی او سی سے لے کر پیداواری طریقہ کار اور آٹومیشن تک کی بحث شامل ہوتی ہے۔ چونکہ ایم ایل پروجیکٹ پراجیکٹ کی کل مدت سے محدود ہے، اس لیے ہمارے پاس ہر امکان کو تلاش کرنے کے لیے کافی وقت نہیں ہو سکتا۔ لہذا، منصوبے کے دوران تمام نتائج میں ممکنہ علاقے کی نشاندہی کرنا اکثر اعتماد حاصل کر سکتا ہے۔ اس کے علاوہ، آٹومیشن کاروباری اختتامی صارفین کو طویل مدت کے لیے پیشن گوئی کا اندازہ کرنے میں مدد کر سکتی ہے، کیونکہ وہ تازہ ترین ڈیٹا کے ساتھ پیشن گوئی پیدا کرنے کے لیے موجودہ پیشن گوئی کا استعمال کر سکتے ہیں۔

کامیابی کے معیار کو تکنیکی اور کاروباری دونوں نقطہ نظر سے پیدا شدہ نتائج کے ساتھ جانچا جا سکتا ہے۔ تشخیص کی مدت کے دوران، ہم درج ذیل کے لیے ممکنہ فوائد کا اندازہ لگا سکتے ہیں:

• پیشن گوئی کی درستگی میں اضافہ (تکنیکی) - اصل فروخت کے اعداد و شمار کے حوالے سے پیشن گوئی کی درستگی کا حساب لگائیں، اور دستی پیشین گوئیوں سمیت موجودہ پیشن گوئی کے نظام سے موازنہ کریں۔
• فضلہ کو کم کرنا (کاروبار) - فضلہ کو کم کرنے کے لئے زیادہ پیش گوئی کو کم کریں۔
• اسٹاک کی شرحوں میں بہتری (کاروبار) - اسٹاک کی شرح کو بہتر بنانے کے لیے کم پیشین گوئی کو کم کریں۔
• مجموعی منافع میں اضافے کا تخمینہ لگانا (کاروبار) - مجموعی منافع کو بڑھانے کے لیے ضیاع کو کم کریں اور ان اسٹاک کی شرح کو بہتر بنائیں

ہم مندرجہ ذیل خاکہ میں ترقیاتی کام کے فلو کا خلاصہ کرتے ہیں۔

مندرجہ ذیل حصوں میں، ہم ان اہم عناصر پر تبادلہ خیال کرتے ہیں جن پر عمل درآمد کے دوران غور کیا جانا چاہیے۔

پیشن گوئی کے نظام کو تیار کرنے کے لیے مرحلہ وار ورک فلو

ٹارگٹ ڈیٹاسیٹ جنریشن

پہلا قدم پیشین گوئی کے لیے ہدف ڈیٹاسیٹ تیار کرنا ہے۔ ریٹیل انڈسٹری میں، اس سے مراد ریٹیل آئٹمز (SKUs) کے لیے تاریخی ٹائم سیریز ڈیمانڈ اور سیلز ڈیٹا ہے۔ ڈیٹاسیٹ تیار کرتے وقت، ایک اہم پہلو دانے دار ہے۔ ہمیں کاروباری تقاضوں اور تکنیکی ضروریات دونوں سے ڈیٹا گرانولریٹی پر غور کرنا چاہیے۔

کاروبار اس بات کی وضاحت کرتا ہے کہ پیداواری نظام میں پیشن گوئی کا نتیجہ کیسے نکلتا ہے:

• افق - پیش گوئی کیے جانے والے وقت کے اقدامات کی تعداد۔ یہ بنیادی کاروباری مسئلہ پر منحصر ہے۔ اگر ہم ہر ہفتے اسٹاک کی سطح کو دوبارہ بھرنا چاہتے ہیں، تو ہفتہ وار پیشن گوئی یا روزانہ کی پیشن گوئی مناسب معلوم ہوتی ہے۔
• گرانولیٹی - آپ کی پیشین گوئیوں کی تفصیل: ٹائم فریکوئنسی جیسے روزانہ یا ہفتہ وار، مختلف اسٹور کے مقامات، اور ایک ہی شے کے مختلف سائز۔ آخر میں، پیشن گوئی روزانہ ڈیٹا پوائنٹس کے ساتھ ہر اسٹور SKU کا مجموعہ ہو سکتی ہے۔

اگرچہ مذکورہ پیشین گوئی کے افق اور گرانولریٹی کو کاروباری ضرورت کو ترجیح دینے کے لیے بیان کیا جانا چاہیے، ہمیں ضروریات اور فزیبلٹی کے درمیان تجارت کرنے کی ضرورت پڑ سکتی ہے۔ ایک مثال کے طور پر جوتے کے کاروبار کو لے لو. اگر ہم ہر اسٹور کی سطح پر ہر جوتے کے سائز کی فروخت کی پیشن گوئی کرنا چاہتے ہیں، تو ڈیٹا جلد ہی کم ہوجاتا ہے اور پیٹرن تلاش کرنا مشکل ہوتا ہے۔ تاہم، سٹاک کو دوبارہ بھرنے کے لیے، ہمیں اس گرانولیریٹی کا اندازہ لگانے کی ضرورت ہے۔ ایسا کرنے کے لیے، متبادل حل کے لیے مختلف جوتوں کے سائز کے درمیان تناسب کا تخمینہ لگانے اور اس تناسب کو استعمال کرتے ہوئے عمدہ نتائج کا حساب لگانے کی ضرورت پڑ سکتی ہے۔

ہمیں اکثر کاروباری ضرورت اور ڈیٹا پیٹرن میں توازن پیدا کرنے کی ضرورت ہوتی ہے جسے سیکھا اور پیشن گوئی کے لیے استعمال کیا جا سکتا ہے۔ ڈیٹا پیٹرن کی مقداری قابلیت فراہم کرنے کے لیے، ہم ڈیٹا کی پیشن گوئی کے استعمال کی تجویز پیش کرتے ہیں۔

ڈیٹا کی پیشن گوئی اور ڈیٹا پیٹرن کی درجہ بندی

ایک اہم بصیرت جو ہم ہدف ڈیٹاسیٹ سے جمع کر سکتے ہیں وہ ہے معیار کی پیشن گوئی پیدا کرنے کی صلاحیت۔ اس کا تجزیہ ایم ایل پروجیکٹ کے ابتدائی مرحلے میں کیا جا سکتا ہے۔ پیشن گوئی اس وقت چمکتی ہے جب ڈیٹا موسمی، رجحانات اور چکراتی نمونوں کو ظاہر کرتا ہے۔

پیشن گوئی کا تعین کرنے کے لیے، دو بڑے گتانک ہیں: طلب کے وقت میں تغیر اور طلب کی مقدار میں تغیر۔ ڈیمانڈ ٹائمنگ میں تغیر کا مطلب ہے طلب کی دو مثالوں کے درمیان وقفہ، اور یہ وقت میں مانگ کی باقاعدگی کو ماپتا ہے۔ طلب کی مقدار میں تغیر کا مطلب مقدار میں تغیر ہے۔ مندرجہ ذیل تصویر کچھ مختلف نمونوں کی وضاحت کرتی ہے۔ پیشن گوئی کی درستگی کا انحصار مصنوعات کی پیشن گوئی پر ہے۔ مزید معلومات کے لیے رجوع کریں۔ ڈیمانڈ کی درجہ بندی: کیوں پیشن گوئی اہمیت رکھتی ہے۔.

یہ بات قابل غور ہے کہ پیشن گوئی کا یہ تجزیہ ہر باریک شے کے لیے ہے (مثال کے طور پر، SKU-Store-Color-Size)۔ یہ کافی عام ہے کہ مانگ کی پیشن گوئی کے پیداواری نظام میں، مختلف اشیاء مختلف نمونوں کی پیروی کرتی ہیں۔ لہذا، مختلف ڈیٹا پیٹرن کے بعد آئٹمز کو الگ کرنا ضروری ہے۔ ایک عام مثال تیزی سے چلنے والی اور سست حرکت کرنے والی اشیاء ہیں۔ ایک اور مثال گھنے اور ویرل ڈیٹا ہوگی۔ اس کے علاوہ، ایک باریک دانے والی چیز میں گانٹھ والا نمونہ پیدا ہونے کے زیادہ امکانات ہوتے ہیں۔ مثال کے طور پر، کپڑے کی دکان میں، ایک مقبول چیز کی فروخت روزانہ کافی ہموار ہو سکتی ہے، لیکن اگر ہم ہر رنگ اور سائز کے لیے اس چیز کی فروخت کو مزید الگ کر دیں، تو یہ جلد ہی کم ہو جاتی ہے۔ لہٰذا، SKU-Store-Color-Size سے SKU-Store تک گرانولریٹی کو کم کرنے سے ڈیٹا پیٹرن کو lumpy سے ہموار اور اس کے برعکس تبدیل کیا جا سکتا ہے۔

مزید یہ کہ تمام اشیاء فروخت میں یکساں طور پر حصہ نہیں ڈالتی ہیں۔ ہم نے مشاہدہ کیا ہے کہ آئٹم کا حصہ اکثر پاریٹو ڈسٹری بیوشن کی پیروی کرتا ہے، جس میں سب سے اوپر آئٹمز سیلز میں حصہ ڈالتے ہیں۔ ان ٹاپ آئٹمز کی فروخت اکثر ہموار ہوتی ہے۔ کم فروخت کا ریکارڈ رکھنے والی اشیاء اکثر گانٹھ اور بے ترتیب ہوتی ہیں اور اس وجہ سے اندازہ لگانا مشکل ہوتا ہے۔ ان اشیاء کو شامل کرنے سے اصل میں سب سے اوپر فروخت کی اشیاء کی درستگی کو کم کر سکتا ہے. ان مشاہدات کی بنیاد پر، ہم آئٹمز کو مختلف گروپس میں الگ کر سکتے ہیں، سب سے اوپر سیلز آئٹمز پر Forecast ماڈل کو تربیت دے سکتے ہیں، اور کم سیلز آئٹمز کو کارنر کیسز کے طور پر سنبھال سکتے ہیں۔

ڈیٹا کی افزودگی اور اضافی ڈیٹا سیٹ کا انتخاب

جب ہم پیشن گوئی کے نتائج کی کارکردگی کو بہتر بنانے کے لیے اضافی ڈیٹاسیٹس استعمال کرنا چاہتے ہیں، تو ہم انحصار کر سکتے ہیں۔ ٹائم سیریز ڈیٹا سیٹس اور میٹا ڈیٹا ڈیٹا سیٹس. ریٹیل ڈومین میں، وجدان اور ڈومین کے علم کی بنیاد پر، خصوصیات جیسے انوینٹری، قیمت، پروموشن، اور موسم سرما یا گرمیوں کے موسموں کو متعلقہ ٹائم سیریز کے طور پر درآمد کیا جا سکتا ہے۔ خصوصیات کی افادیت کی شناخت کا آسان ترین طریقہ خصوصیت کی اہمیت کے ذریعے ہے۔ پیشن گوئی میں، یہ وضاحتی تجزیہ کے ذریعہ کیا جاتا ہے۔ پیشن گوئی پیشین گوئی کرنے والے کی وضاحت ہمیں بہتر طور پر سمجھنے میں مدد کرتا ہے کہ ڈیٹا سیٹس میں موجود اوصاف کس طرح ہدف کے لیے پیشن گوئی کو متاثر کرتے ہیں۔ پیشن گوئی ایک میٹرک کا استعمال کرتی ہے جسے امپیکٹ سکور کہتے ہیں ہر ایک وصف کے رشتہ دار اثرات کا تعین کرنے اور یہ تعین کرنے کے لیے کہ آیا وہ پیشن گوئی کی قدروں کو بڑھاتے ہیں یا کم کرتے ہیں۔ اگر ایک یا زیادہ صفات کا اثر اسکور صفر ہے، تو ان صفات کا پیشن گوئی کی قدروں پر کوئی خاص اثر نہیں ہوتا ہے۔ اس طرح، ہم ان خصوصیات کو فوری طور پر ہٹا سکتے ہیں جن کا اثر کم ہوتا ہے اور ممکنہ طور پر اسے دوبارہ شامل کر سکتے ہیں۔ یہ نوٹ کرنا ضروری ہے کہ امپیکٹ سکور اوصاف کے رشتہ دار اثرات کی پیمائش کرتے ہیں، جو کہ دیگر تمام صفات کے اثر سکور کے ساتھ مل کر معمول بنائے جاتے ہیں۔

تمام ML پروجیکٹس کی طرح، اضافی خصوصیات کے ساتھ درستگی کو بہتر بنانے کے لیے تکراری تجربات کی ضرورت ہوتی ہے۔ ماڈل کی درستگی پر بڑھتی ہوئی تبدیلیوں کے اثرات کو دیکھتے ہوئے، آپ کو ڈیٹا سیٹس کے متعدد مجموعوں کے ساتھ تجربہ کرنے کی ضرورت ہے۔ آپ Forecast کنسول کے ذریعے یا اس کے ساتھ متعدد پیشن گوئی کے تجربات چلانے کی کوشش کر سکتے ہیں۔ Forecast APIs کے ساتھ ازگر کی نوٹ بک. اس کے علاوہ، آپ کے ساتھ جہاز پر کر سکتے ہیں AWS کلاؤڈ فارمیشن، جو AWS کو عام استعمال کے معاملات کے لیے تیار حل فراہم کرتا ہے (مثال کے طور پر، مشین لرننگ حل کے ساتھ پیشن گوئی کی درستگی کو بہتر بنانا)۔ پیشن گوئی خود بخود ڈیٹاسیٹ کو الگ کرتی ہے اور پیشین گوئی کرنے والوں کا اندازہ لگانے کے لیے درستگی کے میٹرکس تیار کرتی ہے۔ مزید معلومات کے لیے دیکھیں پیش گوئی کرنے والے کی درستگی کا اندازہ لگانا. اس سے ڈیٹا سائنسدانوں کو بہترین کارکردگی کا مظاہرہ کرنے والے ماڈل کو حاصل کرنے کے لیے تیزی سے تکرار کرنے میں مدد ملتی ہے۔

اعلی درجے کی بہتری اور کارنر کیسز کو ہینڈل کرنا

ہم نے ذکر کیا کہ پیشن گوئی کے الگورتھم ڈیٹا سے موسمی، رجحانات اور چکراتی خصوصیات سیکھ سکتے ہیں۔ ان خصوصیات کے ساتھ آئٹمز اور مناسب ڈیٹا کثافت اور حجم کے لیے، ہم تخمینہ پیدا کرنے کے لیے پیشن گوئی کا استعمال کر سکتے ہیں۔ تاہم، جب ڈھیلے ڈیٹا پیٹرن کا سامنا کرنا پڑتا ہے، خاص طور پر جب ڈیٹا کا حجم چھوٹا ہوتا ہے، تو ہمیں انہیں مختلف طریقے سے ہینڈل کرنے کی ضرورت پڑ سکتی ہے، جیسے کہ اصولوں کی بنیاد پر تجرباتی تخمینہ لگانا۔

گھنے SKUs کے لیے، ہم ٹائم سیریز ڈیٹاسیٹ کے اسی طرح کے برتاؤ کرنے والے ذیلی سیٹوں کے ساتھ ماڈلز کو تربیت دے کر پیشن گوئی کی درستگی کو مزید بہتر بناتے ہیں۔ سب سیٹ علیحدگی کی حکمت عملی جو ہم نے استعمال کی ہیں وہ ہیں کاروباری منطق، پروڈکٹ کی قسم، ڈیٹا کی کثافت، اور الگورتھم کے ذریعے سیکھے گئے نمونے۔ سب سیٹ تیار ہونے کے بعد، ہم مختلف ذیلی سیٹوں کے لیے متعدد پیشن گوئی ماڈلز کو تربیت دے سکتے ہیں۔ ایسی ہی ایک مثال کے لیے رجوع کریں۔ Amazon Forecast کے ساتھ استعمال کے لیے کلسٹر ٹائم سیریز کا ڈیٹا.

پیداوار کی طرف: ڈیٹاسیٹ کو اپ ڈیٹ کرنا، نگرانی کرنا، اور دوبارہ تربیت دینا

آئیے Forecast کے ساتھ ایک مثال فن تعمیر کو دریافت کریں، جیسا کہ مندرجہ ذیل خاکہ میں دکھایا گیا ہے۔ ہر بار جب آخری صارف ایک نئے ڈیٹاسیٹ کو اکٹھا کرتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)، یہ متحرک کرتا ہے۔ AWS اسٹیپ فنکشنز مختلف اجزاء کو آرکیسٹریٹ کرنے کے لیے، بشمول ڈیٹاسیٹ امپورٹ جاب بنانا، آٹو پریڈیکٹر بنانا، اور پیشین گوئیاں بنانا۔ پیشن گوئی کے نتائج پیدا ہونے کے بعد، Create Forecast Export مرحلہ انہیں ڈاؤن اسٹریم صارفین کے لیے Amazon S3 پر برآمد کرتا ہے۔ اس خودکار پائپ لائن کی فراہمی کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ AWS CloudFormation کے ساتھ خودکار. یہ ایک CloudFormation اسٹیک کا استعمال کرتا ہے تاکہ ڈیٹاسیٹس کو S3 بالٹی میں خود بخود تعینات کیا جا سکے اور پیشن گوئی کی پائپ لائن کو متحرک کیا جا سکے۔ آپ اسی آٹومیشن اسٹیک کو اپنے ڈیٹا سیٹس کے ساتھ پیشن گوئی پیدا کرنے کے لیے استعمال کر سکتے ہیں۔

پیشن گوئی کے نظام میں حالیہ رجحانات کو شامل کرنے کے دو طریقے ہیں: ڈیٹا کو اپ ڈیٹ کرنا یا پیشین گوئی کرنے والے کو دوبارہ تربیت دینا۔

حالیہ رجحانات کی عکاسی کرنے والے تازہ ترین ڈیٹا کے ساتھ پیشن گوئی پیدا کرنے کے لیے، آپ کو اپ ڈیٹ کردہ ان پٹ ڈیٹا فائل کو S3 بالٹی میں اپ لوڈ کرنے کی ضرورت ہے (اپ ڈیٹ کردہ ان پٹ ڈیٹا میں اب بھی آپ کا تمام موجودہ ڈیٹا ہونا چاہیے)۔ جب آپ اپ ڈیٹ کردہ ڈیٹاسیٹ درآمد کرتے ہیں تو پیشن گوئی خود بخود کسی پیش گو کو دوبارہ تربیت نہیں دیتی ہے۔ آپ کر سکتے ہیں۔ پیشن گوئی پیدا جیسا کہ آپ عام طور پر کرتے ہیں۔ پیشن گوئی تازہ ترین ان پٹ ڈیٹا میں آخری دن سے شروع ہونے والی پیشن گوئی کے افق کی پیش گوئی کرتی ہے۔ لہذا، حالیہ رجحانات کو پیشن گوئی کے ذریعہ تیار کردہ کسی بھی نئے اندازے میں شامل کیا جاتا ہے۔

تاہم، اگر آپ چاہتے ہیں کہ آپ کے پیش گو کو نئے اعداد و شمار سے دور تربیت دی جائے، تو آپ کو ایک نیا پیشین گو بنانا چاہیے۔ ڈیٹا پیٹرن (موسمی، رجحانات، یا سائیکل) تبدیل ہونے پر آپ کو ماڈل کو دوبارہ تربیت دینے پر غور کرنے کی ضرورت پڑ سکتی ہے۔ جیسا کہ میں مذکور ہے۔ ایمیزون کی پیشن گوئی کے ساتھ پیشن گوئی کی درستگی کی مسلسل نگرانی کریں۔معاشی ماحول یا صارفین کے رویے میں تبدیلی جیسے عوامل کی وجہ سے، پیشین گوئی کرنے والے کی کارکردگی وقت کے ساتھ ساتھ اتار چڑھاؤ آئے گی۔ لہٰذا، پیشین گوئی کرنے والے کو دوبارہ تربیت دینے کی ضرورت پڑ سکتی ہے، یا انتہائی درست پیشین گوئیاں جاری رکھنے کو یقینی بنانے کے لیے ایک نیا پیش گو بنانے کی ضرورت پڑ سکتی ہے۔ کی مدد سے پیشن گوئی کی نگرانی، پیشن گوئی آپ کے پیش گوئوں کے معیار کو ٹریک کر سکتی ہے، آپ کو آپریشنل کوششوں کو کم کرنے کی اجازت دیتی ہے، جبکہ آپ کو اپنے پیش گوئوں کو رکھنے، دوبارہ تربیت دینے یا دوبارہ بنانے کے بارے میں مزید باخبر فیصلے کرنے میں مدد ملتی ہے۔

نتیجہ

Amazon Forecast ایک ٹائم سیریز کی پیشن گوئی کی خدمت ہے جو ML پر مبنی ہے اور بزنس میٹرکس کے تجزیہ کے لیے بنائی گئی ہے۔ ہم تاریخی فروخت اور دیگر متعلقہ معلومات جیسے انوینٹری، پروموشنز، یا سیزن کو یکجا کر کے اعلیٰ درستگی کے ساتھ مانگ کی پیشن گوئی کو مربوط کر سکتے ہیں۔ 8 ہفتوں کے اندر، ہم نے اپنے خوردہ صارفین میں سے ایک کو مانگ کی درست پیشن گوئی حاصل کرنے میں مدد کی — دستی پیشین گوئی کے مقابلے میں 10% بہتری۔ اس سے ماہانہ 16 مزدوری کے اوقات کی براہ راست بچت ہوتی ہے اور تخمینہ فروخت میں 11.8 فیصد تک اضافہ ہوتا ہے۔

اس پوسٹ نے آپ کے پیشن گوئی کے پروجیکٹ کو تصور کے ثبوت سے پیداوار تک لانے کے لئے عام طریقوں کا اشتراک کیا ہے۔ ابھی سے شروع کریں۔ ایمیزون کی پیشن گوئی اپنے کاروبار کے لیے انتہائی درست پیشین گوئیاں حاصل کرنے کے لیے۔

---

مصنفین کے بارے میں

یانوی کوئی، پی ایچ ڈی، AWS میں مشین لرننگ اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ اس نے IRISA (ریسرچ انسٹی ٹیوٹ آف کمپیوٹر سائنس اینڈ رینڈم سسٹم) میں مشین لرننگ کی تحقیق شروع کی، اور کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ اور آن لائن صارف کے رویے کی پیشن گوئی میں مصنوعی ذہانت سے چلنے والی صنعتی ایپلی کیشنز بنانے کا کئی سال کا تجربہ ہے۔ AWS میں، وہ ڈومین کی مہارت کا اشتراک کرتا ہے اور صارفین کو کاروباری صلاحیتوں کو غیر مقفل کرنے میں مدد کرتا ہے، اور بڑے پیمانے پر مشین لرننگ کے ساتھ قابل عمل نتائج حاصل کرتا ہے۔ کام سے باہر، اسے پڑھنے اور سفر کرنے میں مزہ آتا ہے۔

گورڈن وانگ ایمیزون ویب سروسز میں پروفیشنل سروسز ٹیم میں ایک سینئر ڈیٹا سائنٹسٹ ہے۔ وہ میڈیا، مینوفیکچرنگ، توانائی، خوردہ اور صحت کی دیکھ بھال سمیت کئی صنعتوں میں صارفین کی مدد کرتا ہے۔ وہ کمپیوٹر ویژن، گہری سیکھنے، اور MLOps کے بارے میں پرجوش ہے۔ اپنے فارغ وقت میں، وہ دوڑنا اور پیدل سفر کرنا پسند کرتا ہے۔