Triển khai Amazon Forecast trong ngành bán lẻ: Hành trình từ POC đến sản xuất

Dự báo Amazon là một dịch vụ được quản lý hoàn toàn, sử dụng các thuật toán thống kê và học máy (ML) để đưa ra các dự báo theo chuỗi thời gian có độ chính xác cao. Gần đây, dựa trên Dự báo của Amazon, chúng tôi đã giúp một trong những khách hàng bán lẻ của mình đạt được dự báo nhu cầu chính xác trong vòng 8 tuần. Giải pháp đã cải thiện dự báo thủ công trung bình 10% liên quan đến WAPE Hệ mét. Điều này giúp tiết kiệm trực tiếp 16 giờ lao động hàng tháng. Ngoài ra, chúng tôi ước tính rằng bằng cách hoàn thành đúng số lượng mặt hàng, doanh số bán hàng có thể tăng tới 11.8%. Trong bài đăng này, chúng tôi trình bày quy trình làm việc và các yếu tố quan trọng để triển khai—từ bằng chứng về khái niệm (POC) đến sản xuất—một hệ thống dự báo nhu cầu với Amazon Forecast, tập trung vào các thách thức trong ngành bán lẻ.

Bối cảnh và những thách thức hiện tại của dự báo nhu cầu trong ngành bán lẻ

Mục tiêu của dự báo nhu cầu là ước tính nhu cầu trong tương lai từ dữ liệu lịch sử và giúp bổ sung kho và phân bổ công suất. Với tính năng dự báo nhu cầu, các nhà bán lẻ có thể bố trí lượng hàng tồn kho phù hợp tại mỗi địa điểm trong mạng lưới của họ để đáp ứng nhu cầu. Do đó, một hệ thống dự báo chính xác có thể mang lại nhiều lợi ích cho các chức năng kinh doanh khác nhau, chẳng hạn như:

• Tăng doanh thu từ tính sẵn có của sản phẩm tốt hơn và giảm nỗ lực lãng phí chuyển giao giữa các cửa hàng
• Cung cấp thông tin chi tiết đáng tin cậy hơn để cải thiện việc sử dụng công suất và chủ động tránh tắc nghẽn trong việc cung cấp công suất
• Giảm thiểu hàng tồn kho và chi phí sản xuất và cải thiện vòng quay hàng tồn kho
• Trình bày trải nghiệm khách hàng tổng thể tốt hơn

Các kỹ thuật ML thể hiện giá trị tuyệt vời khi có một khối lượng lớn dữ liệu chất lượng tốt. Ngày nay, quản lý bổ sung dựa trên kinh nghiệm hoặc dự báo nhu cầu vẫn là xu hướng chủ đạo đối với hầu hết các nhà bán lẻ. Với mục tiêu cải thiện trải nghiệm của khách hàng, ngày càng nhiều nhà bán lẻ sẵn sàng thay thế hệ thống dự báo nhu cầu dựa trên trải nghiệm bằng dự báo dựa trên ML. Tuy nhiên, các nhà bán lẻ phải đối mặt với nhiều thách thức khi triển khai các hệ thống dự báo nhu cầu dựa trên ML vào sản xuất. Chúng tôi tóm tắt những thách thức khác nhau thành ba loại: thách thức dữ liệu, thách thức ML và thách thức vận hành.

thách thức dữ liệu

Một khối lượng lớn dữ liệu sạch, chất lượng là yêu cầu chính để thúc đẩy các dự đoán dựa trên ML chính xác. Dữ liệu chất lượng, bao gồm doanh số bán hàng trước đây và dữ liệu liên quan đến doanh số bán hàng (chẳng hạn như hàng tồn kho, giá mặt hàng và khuyến mãi), cần được thu thập và hợp nhất. Sự đa dạng của dữ liệu từ nhiều nguồn yêu cầu một nền tảng dữ liệu hiện đại để hợp nhất các silo dữ liệu. Ngoài ra, việc truy cập dữ liệu kịp thời là cần thiết để dự báo nhu cầu thường xuyên và chi tiết.

thách thức ML

Việc phát triển các thuật toán ML nâng cao đòi hỏi chuyên môn. Việc triển khai các thuật toán phù hợp cho đúng vấn đề cần cả kiến ​​thức chuyên sâu về miền và năng lực ML. Ngoài ra, việc học từ các tập dữ liệu lớn có sẵn yêu cầu cơ sở hạ tầng ML có thể mở rộng. Ngoài ra, việc duy trì các thuật toán ML trong quá trình sản xuất đòi hỏi phải có năng lực ML để phân tích nguyên nhân gốc rễ của sự xuống cấp của mô hình và đào tạo lại mô hình một cách chính xác.

Để giải quyết các vấn đề kinh doanh thực tế, đưa ra các dự báo chính xác chỉ là một phần của câu chuyện. Những người ra quyết định cần dự báo xác suất ở các nhóm phân vị khác nhau làm cho trải nghiệm của khách hàng trở nên quan trọng so với các quyết định đánh đổi kết quả tài chính. Họ cũng cần giải thích các dự đoán cho các bên liên quan và thực hiện các phân tích giả định để điều tra xem các kịch bản khác nhau có thể ảnh hưởng đến kết quả dự báo như thế nào.

Thách thức hoạt động

Giảm nỗ lực hoạt động của việc duy trì một hệ thống dự báo hiệu quả về chi phí là thách thức chính thứ ba. Trong một kịch bản chung về dự báo nhu cầu, mỗi mặt hàng tại mỗi địa điểm đều có dự báo riêng. Cần có một hệ thống có thể quản lý hàng trăm nghìn dự báo bất cứ lúc nào. Ngoài ra, người dùng cuối của doanh nghiệp cần hệ thống dự báo được tích hợp vào các hệ thống hạ nguồn hiện có, chẳng hạn như các nền tảng quản lý chuỗi cung ứng hiện có, để họ có thể sử dụng các hệ thống dựa trên ML mà không cần sửa đổi các công cụ và quy trình hiện có.

Những thách thức này đặc biệt nghiêm trọng khi doanh nghiệp lớn, năng động và đang phát triển. Để giải quyết những thách thức này, chúng tôi chia sẻ một câu chuyện thành công của khách hàng giúp giảm bớt nỗ lực xác thực nhanh chóng lợi ích kinh doanh tiềm năng. Điều này đạt được thông qua tạo nguyên mẫu với Amazon Forecast—một dịch vụ được quản lý toàn phần cung cấp kết quả dự báo chính xác mà không cần quản lý tài nguyên cơ sở hạ tầng và thuật toán.

Tạo mẫu nhanh cho hệ thống dự báo dựa trên ML với Amazon Forecast

Dựa trên kinh nghiệm của chúng tôi, chúng tôi thường thấy rằng các khách hàng bán lẻ sẵn sàng đưa ra bằng chứng về khái niệm trên dữ liệu bán hàng của họ. Điều này có thể được thực hiện trong khoảng từ vài ngày đến vài tuần để tạo nguyên mẫu nhanh, tùy thuộc vào độ phức tạp của dữ liệu và các nguồn lực sẵn có để lặp lại quy trình điều chỉnh mô hình. Trong quá trình tạo nguyên mẫu, chúng tôi khuyên bạn nên sử dụng các lần chạy nước rút để quản lý quy trình một cách hiệu quả và tách POC thành các giai đoạn khám phá dữ liệu, cải tiến lặp lại và tự động hóa.

Khám phá dữ liệu

Khám phá dữ liệu thường bao gồm thảo luận sôi nổi với các nhà khoa học dữ liệu hoặc nhà phân tích kinh doanh thông minh để làm quen với tập dữ liệu bán hàng trước đây và các nguồn dữ liệu sẵn có có khả năng ảnh hưởng đến kết quả dự báo, chẳng hạn như hàng tồn kho và các sự kiện khuyến mại trước đây. Một trong những cách hiệu quả nhất là hợp nhất dữ liệu bán hàng, dưới dạng tập dữ liệu mục tiêu, từ kho dữ liệu ở giai đoạn đầu của dự án. Điều này dựa trên thực tế là các kết quả dự báo thường bị chi phối bởi các mẫu tập dữ liệu mục tiêu. Kho dữ liệu thường lưu trữ dữ liệu kinh doanh hàng ngày và việc hiểu thấu đáo trong một khoảng thời gian ngắn là khó khăn và tốn thời gian. Đề xuất của chúng tôi là tập trung vào việc tạo tập dữ liệu đích và đảm bảo rằng tập dữ liệu này là chính xác. Những kết quả khám phá dữ liệu và đường cơ sở này thường có thể đạt được trong vòng vài ngày và điều này có thể xác định xem liệu dữ liệu mục tiêu có thể được dự báo chính xác hay không. Chúng tôi thảo luận về khả năng dự báo dữ liệu sau trong bài đăng này.

Lặp lại

Sau khi chúng tôi có kết quả cơ bản, chúng tôi có thể tiếp tục thêm nhiều dữ liệu liên quan hơn để xem những dữ liệu này có thể ảnh hưởng đến độ chính xác như thế nào. Điều này thường được thực hiện thông qua việc tìm hiểu sâu về các bộ dữ liệu bổ sung; để biết thêm thông tin, hãy tham khảo Sử dụng bộ dữ liệu chuỗi thời gian liên quan và Sử dụng bộ dữ liệu siêu dữ liệu mặt hàng.

Trong một số trường hợp, có thể cải thiện độ chính xác trong Dự báo Amazon bằng cách huấn luyện các mô hình với các tập hợp con hoạt động tương tự của tập dữ liệu hoặc bằng cách xóa dữ liệu thưa thớt khỏi tập dữ liệu. Trong giai đoạn cải tiến lặp đi lặp lại này, phần thách thức—đúng với tất cả các dự án ML—là lần lặp lại hiện tại phụ thuộc vào những phát hiện và thông tin chi tiết chính của lần lặp lại trước đó, vì vậy phân tích và báo cáo nghiêm ngặt là chìa khóa thành công.

Phân tích có thể được thực hiện định lượng và theo kinh nghiệm. Khía cạnh định lượng đề cập đến việc đánh giá trong quá trình kiểm tra lại và so sánh số liệu về độ chính xác, chẳng hạn như WAPE. Khía cạnh thực nghiệm đề cập đến việc trực quan hóa đường cong dự đoán và dữ liệu mục tiêu thực tế, đồng thời sử dụng kiến ​​thức miền để kết hợp các yếu tố tiềm năng. Những phân tích này giúp bạn lặp lại nhanh hơn để thu hẹp khoảng cách giữa kết quả dự báo và dữ liệu mục tiêu. Ngoài ra, việc trình bày các kết quả như vậy thông qua báo cáo hàng tuần thường có thể mang lại sự tự tin cho người dùng cuối của doanh nghiệp.

Tự động hóa

Bước cuối cùng thường liên quan đến việc thảo luận về POC đối với quy trình sản xuất và tự động hóa. Vì dự án ML bị hạn chế bởi tổng thời lượng dự án nên chúng tôi có thể không có đủ thời gian để khám phá mọi khả năng. Do đó, chỉ ra lĩnh vực tiềm năng trong suốt các phát hiện trong dự án thường có thể tạo được sự tin tưởng. Ngoài ra, tự động hóa có thể giúp người dùng cuối của doanh nghiệp đánh giá Dự báo trong thời gian dài hơn, vì họ có thể sử dụng một công cụ dự báo hiện có để tạo dự báo với dữ liệu được cập nhật.

Các tiêu chí thành công có thể được đánh giá bằng các kết quả được tạo ra, cả từ góc độ kỹ thuật và kinh doanh. Trong giai đoạn đánh giá, chúng tôi có thể ước tính các lợi ích tiềm năng cho những điều sau:

• Tăng độ chính xác dự báo (kỹ thuật) – Tính toán độ chính xác dự đoán liên quan đến dữ liệu bán hàng thực tế và so sánh với hệ thống dự báo hiện có, bao gồm cả dự báo thủ công
• Giảm chất thải (kinh doanh) – Giảm dự báo quá mức để giảm lãng phí
• Cải thiện tỷ lệ hàng tồn kho (kinh doanh) – Giảm dự báo dưới mức để cải thiện tỷ lệ tồn kho
• Ước tính mức tăng của lợi nhuận gộp (kinh doanh) – Giảm lãng phí và cải thiện tỷ lệ hàng tồn kho để tăng lợi nhuận gộp

Chúng tôi tóm tắt quy trình phát triển trong sơ đồ sau.

Trong các phần tiếp theo, chúng tôi thảo luận về các yếu tố quan trọng cần xem xét trong quá trình thực hiện.

Quy trình làm việc từng bước để phát triển một hệ thống dự báo

Tạo tập dữ liệu mục tiêu

Bước đầu tiên là tạo tập dữ liệu đích cho Dự báo. Trong ngành bán lẻ, điều này đề cập đến dữ liệu bán hàng và nhu cầu theo chuỗi thời gian lịch sử cho các mặt hàng bán lẻ (SKU). Khi chuẩn bị tập dữ liệu, một khía cạnh quan trọng là mức độ chi tiết. Chúng ta nên xem xét mức độ chi tiết của dữ liệu từ cả yêu cầu kinh doanh và yêu cầu kỹ thuật.

Doanh nghiệp xác định kết quả dự báo trong hệ thống sản xuất như thế nào:

• chân trời – Số bước thời gian được dự báo. Điều này phụ thuộc vào vấn đề kinh doanh cơ bản. Nếu chúng ta muốn bổ sung mức tồn kho mỗi tuần, thì dự báo hàng tuần hoặc dự báo hàng ngày có vẻ phù hợp.
• Độ chi tiết – Mức độ chi tiết của các dự báo của bạn: tần suất thời gian như hàng ngày hoặc hàng tuần, các vị trí cửa hàng khác nhau và các kích cỡ khác nhau của cùng một mặt hàng. Cuối cùng, dự đoán có thể là sự kết hợp của từng SKU của cửa hàng, với các điểm dữ liệu hàng ngày.

Mặc dù phạm vi dự báo nói trên và mức độ chi tiết nên được xác định để ưu tiên yêu cầu kinh doanh, nhưng chúng ta có thể cần cân nhắc giữa yêu cầu và tính khả thi. Lấy việc kinh doanh giày dép làm ví dụ. Nếu chúng ta muốn dự đoán doanh số của từng cỡ giày ở mỗi cấp độ cửa hàng, dữ liệu sẽ sớm trở nên thưa thớt và khó tìm ra mẫu. Tuy nhiên, để nạp thêm hàng vào kho, chúng ta cần ước tính mức độ chi tiết này. Để làm điều này, các giải pháp thay thế có thể yêu cầu ước tính tỷ lệ giữa các cỡ giày khác nhau và sử dụng tỷ lệ này để tính toán kết quả chi tiết.

Chúng ta thường cần cân bằng giữa yêu cầu kinh doanh và mẫu dữ liệu có thể học và sử dụng để dự báo. Để cung cấp chất lượng định lượng của các mẫu dữ liệu, chúng tôi đề xuất sử dụng khả năng dự báo dữ liệu.

Khả năng dự báo dữ liệu và phân loại mẫu dữ liệu

Một trong những thông tin chuyên sâu quan trọng mà chúng tôi có thể thu thập từ tập dữ liệu mục tiêu là khả năng đưa ra các dự báo chất lượng. Điều này có thể được phân tích ở giai đoạn đầu của dự án ML. Dự báo tỏa sáng khi dữ liệu hiển thị tính thời vụ, xu hướng và mô hình theo chu kỳ.

Để xác định khả năng dự báo, có hai hệ số chính: sự thay đổi về thời gian của nhu cầu và sự thay đổi về số lượng nhu cầu. Sự thay đổi về thời gian của nhu cầu có nghĩa là khoảng thời gian giữa hai lần xuất hiện nhu cầu và nó đo lường tính đều đặn của nhu cầu theo thời gian. Sự thay đổi về lượng cầu có nghĩa là sự thay đổi về số lượng. Hình dưới đây minh họa một số mẫu khác nhau. Độ chính xác của dự báo phụ thuộc rất nhiều vào khả năng dự báo của sản phẩm. Để biết thêm thông tin, hãy tham khảo Phân loại nhu cầu: tại sao khả năng dự báo lại quan trọng.

Cần lưu ý rằng phân tích khả năng dự báo này dành cho từng mặt hàng chi tiết (ví dụ: SKU-Store-Color-Size). Điều khá phổ biến là trong một hệ thống sản xuất dự báo nhu cầu, các mặt hàng khác nhau tuân theo các mẫu khác nhau. Do đó, điều quan trọng là phải tách các mục theo các mẫu dữ liệu khác nhau. Một ví dụ điển hình là các mặt hàng chuyển động nhanh và chuyển động chậm; một ví dụ khác là dữ liệu dày đặc và thưa thớt. Ngoài ra, một mặt hàng hạt mịn có nhiều khả năng tạo ra hoa văn sần. Ví dụ: trong một cửa hàng quần áo, việc bán một mặt hàng phổ biến có thể khá trôi chảy hàng ngày, nhưng nếu chúng ta tách riêng doanh số bán mặt hàng đó cho từng màu và kích cỡ, thì nó sẽ sớm trở nên thưa thớt. Do đó, việc giảm độ chi tiết từ SKU-Store-Color-Size thành SKU-Store có thể thay đổi mẫu dữ liệu từ sần sang mịn và ngược lại.

Hơn nữa, không phải tất cả các mặt hàng đều đóng góp vào doanh thu như nhau. Chúng tôi đã quan sát thấy rằng phần đóng góp của mặt hàng thường tuân theo phân phối Pareto, trong đó các mặt hàng hàng đầu đóng góp phần lớn doanh số bán hàng. Doanh số của những mặt hàng hàng đầu này thường suôn sẻ. Các mặt hàng có doanh số thấp hơn thường bị vón cục và thất thường, do đó khó ước tính. Việc thêm các mặt hàng này thực sự có thể làm giảm độ chính xác của các mặt hàng bán chạy nhất. Dựa trên những quan sát này, chúng tôi có thể tách các mặt hàng thành các nhóm khác nhau, đào tạo mô hình Dự báo về các mặt hàng bán chạy nhất và xử lý các mặt hàng bán chạy thấp hơn dưới dạng các trường hợp góc.

Làm giàu dữ liệu và lựa chọn tập dữ liệu bổ sung

Khi muốn sử dụng các tập dữ liệu bổ sung để cải thiện hiệu suất của kết quả dự báo, chúng ta có thể dựa vào bộ dữ liệu chuỗi thời gian và bộ dữ liệu siêu dữ liệu. Trong lĩnh vực bán lẻ, dựa trên trực giác và kiến ​​thức về miền, các tính năng như hàng tồn kho, giá cả, khuyến mãi và mùa đông hoặc mùa hè có thể được nhập dưới dạng chuỗi thời gian liên quan. Cách đơn giản nhất để xác định tính hữu ích của các tính năng là thông qua tầm quan trọng của tính năng. Trong Dự báo, điều này được thực hiện bằng cách phân tích khả năng giải thích. Dự báo Khả năng giải thích dự báo giúp chúng tôi hiểu rõ hơn cách các thuộc tính trong bộ dữ liệu tác động đến dự báo cho mục tiêu. Dự báo sử dụng một số liệu được gọi là điểm tác động để định lượng tác động tương đối của từng thuộc tính và xác định xem chúng làm tăng hay giảm giá trị dự báo. Nếu một hoặc nhiều thuộc tính có điểm tác động bằng XNUMX, thì những thuộc tính này không có tác động đáng kể đến các giá trị dự báo. Bằng cách này, chúng tôi có thể nhanh chóng loại bỏ các tính năng ít tác động hơn và lặp đi lặp lại bổ sung các tính năng tiềm năng. Điều quan trọng cần lưu ý là điểm tác động đo lường tác động tương đối của các thuộc tính, được chuẩn hóa cùng với điểm tác động của tất cả các thuộc tính khác.

Giống như tất cả các dự án ML, việc cải thiện độ chính xác với các tính năng bổ sung yêu cầu thử nghiệm lặp đi lặp lại. Bạn cần thử nghiệm với nhiều cách kết hợp bộ dữ liệu, đồng thời quan sát tác động của những thay đổi gia tăng đối với độ chính xác của mô hình. Bạn có thể thử chạy nhiều thử nghiệm Dự báo qua bảng điều khiển Dự báo hoặc bằng Sổ ghi chép Python có API Dự báo. Ngoài ra, bạn có thể tích hợp với Hình thành đám mây AWS, triển khai các giải pháp làm sẵn do AWS cung cấp cho các trường hợp sử dụng phổ biến (ví dụ: Cải thiện độ chính xác của dự báo với giải pháp Machine Learning). Dự báo tự động phân tách tập dữ liệu và tạo ra các chỉ số chính xác để đánh giá các yếu tố dự đoán. Để biết thêm thông tin, xem Đánh giá độ chính xác của dự đoán. Điều này giúp các nhà khoa học dữ liệu lặp lại nhanh hơn để đạt được mô hình hoạt động tốt nhất.

Cải tiến nâng cao và xử lý các trường hợp góc

Chúng tôi đã đề cập rằng các thuật toán dự báo có thể tìm hiểu tính thời vụ, xu hướng và các tính năng theo chu kỳ từ dữ liệu. Đối với các mục có những đặc điểm này, cũng như mật độ và khối lượng dữ liệu phù hợp, chúng tôi có thể sử dụng Dự báo để tạo ước tính. Tuy nhiên, khi đối mặt với các mẫu dữ liệu gộp, đặc biệt là khi khối lượng dữ liệu nhỏ, chúng ta có thể cần xử lý chúng theo cách khác, chẳng hạn như ước tính theo kinh nghiệm dựa trên bộ quy tắc.

Đối với các SKU dày đặc, chúng tôi cải thiện hơn nữa độ chính xác của Dự báo bằng cách đào tạo các mô hình với các tập hợp con hoạt động tương tự của tập dữ liệu chuỗi thời gian. Các chiến lược phân tách tập hợp con mà chúng tôi đã sử dụng là logic nghiệp vụ, loại sản phẩm, mật độ dữ liệu và các mẫu mà thuật toán đã học được. Sau khi các tập hợp con được tạo, chúng ta có thể huấn luyện nhiều mô hình Dự báo cho các tập hợp con khác nhau. Đối với một ví dụ như vậy, hãy tham khảo Dữ liệu chuỗi thời gian theo cụm để sử dụng với Amazon Forecast.

Hướng tới sản xuất: Cập nhật bộ dữ liệu, giám sát và đào tạo lại

Hãy khám phá một kiến ​​trúc ví dụ với Dự báo, như thể hiện trong sơ đồ sau. Mỗi khi người dùng cuối hợp nhất một tập dữ liệu mới trên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), nó kích hoạt Chức năng bước AWS để sắp xếp các thành phần khác nhau, bao gồm tạo công việc nhập tập dữ liệu, tạo công cụ dự đoán tự động và tạo dự báo. Sau khi tạo kết quả dự báo, bước Tạo dự báo xuất sẽ xuất chúng sang Amazon S3 cho người tiêu dùng tuyến dưới. Để biết thêm thông tin về cách cung cấp quy trình tự động này, hãy tham khảo Tự động hóa với AWS CloudFormation. Nó sử dụng ngăn xếp CloudFormation để tự động triển khai các bộ dữ liệu vào bộ chứa S3 và kích hoạt quy trình Dự báo. Bạn có thể sử dụng cùng một ngăn xếp tự động hóa để tạo dự báo với bộ dữ liệu của riêng mình.

Có hai cách để kết hợp các xu hướng gần đây vào hệ thống dự báo: cập nhật dữ liệu hoặc đào tạo lại công cụ dự báo.

Để tạo dự báo với dữ liệu cập nhật phản ánh các xu hướng gần đây, bạn cần tải tệp dữ liệu đầu vào đã cập nhật lên bộ chứa S3 (dữ liệu đầu vào được cập nhật vẫn phải chứa tất cả dữ liệu hiện có của bạn). Dự báo không tự động đào tạo lại công cụ dự đoán khi bạn nhập tập dữ liệu đã cập nhật. Bạn có thể tạo dự báo như bạn thường làm. Dự báo dự đoán khoảng thời gian dự báo bắt đầu từ ngày cuối cùng trong dữ liệu đầu vào được cập nhật. Do đó, các xu hướng gần đây được đưa vào bất kỳ kết luận mới nào do Dự báo tạo ra.

Tuy nhiên, nếu bạn muốn công cụ dự đoán của mình được đào tạo từ dữ liệu mới, bạn phải tạo một công cụ dự đoán mới. Bạn có thể cần xem xét đào tạo lại mô hình khi các mẫu dữ liệu (tính thời vụ, xu hướng hoặc chu kỳ) thay đổi. Như đã đề cập trong Liên tục theo dõi độ chính xác của dự đoán với Amazon Forecast, hiệu suất của một công cụ dự đoán sẽ dao động theo thời gian, do các yếu tố như thay đổi trong môi trường kinh tế hoặc hành vi của người tiêu dùng. Do đó, công cụ dự đoán có thể cần được đào tạo lại hoặc có thể cần tạo một công cụ dự đoán mới để đảm bảo tiếp tục đưa ra các dự đoán có độ chính xác cao. Với sự giúp đỡ của giám sát dự đoán, Dự báo có thể theo dõi chất lượng của các công cụ dự đoán, cho phép bạn giảm bớt nỗ lực vận hành, đồng thời giúp bạn đưa ra quyết định sáng suốt hơn về việc giữ lại, đào tạo lại hoặc xây dựng lại các công cụ dự đoán của mình.

Kết luận

Amazon Forecast là dịch vụ dự báo chuỗi thời gian dựa trên ML và được xây dựng để phân tích chỉ số kinh doanh. Chúng tôi có thể tích hợp dự báo nhu cầu với độ chính xác cao bằng cách kết hợp lịch sử bán hàng và các thông tin liên quan khác như hàng tồn kho, khuyến mãi hoặc mùa. Trong vòng 8 tuần, chúng tôi đã giúp một trong những khách hàng bán lẻ của mình đạt được dự báo nhu cầu chính xác—cải thiện 10% so với dự báo thủ công. Điều này giúp tiết kiệm trực tiếp 16 giờ lao động hàng tháng và ước tính doanh số bán hàng tăng lên tới 11.8%.

Bài đăng này đã chia sẻ các phương pháp phổ biến để đưa dự án dự báo của bạn từ bằng chứng khái niệm sang sản xuất. Bắt đầu ngay bây giờ với Dự báo Amazon để đạt được dự báo chính xác cao cho doanh nghiệp của bạn.

---

Về các tác giả

Yến Vệ Thôi, Tiến sĩ, là Kiến trúc sư Giải pháp Chuyên gia về Học máy tại AWS. Anh bắt đầu nghiên cứu máy học tại IRISA (Viện Nghiên cứu Khoa học Máy tính và Hệ thống Ngẫu nhiên), và có nhiều năm kinh nghiệm xây dựng các ứng dụng công nghiệp hỗ trợ trí tuệ nhân tạo trong thị giác máy tính, xử lý ngôn ngữ tự nhiên và dự đoán hành vi người dùng trực tuyến. Tại AWS, anh ấy chia sẻ kiến ​​thức chuyên môn về miền và giúp khách hàng khai phá tiềm năng kinh doanh cũng như thúc đẩy kết quả có thể thực hiện được với công nghệ máy học trên quy mô lớn. Ngoài công việc, anh ấy thích đọc sách và đi du lịch.

Gordon Vương là Nhà khoa học dữ liệu cấp cao trong nhóm Dịch vụ chuyên nghiệp tại Amazon Web Services. Ông hỗ trợ khách hàng trong nhiều ngành, bao gồm truyền thông, sản xuất, năng lượng, bán lẻ và chăm sóc sức khỏe. Anh ấy đam mê thị giác máy tính, học sâu và MLOps. Trong thời gian rảnh rỗi, anh ấy thích chạy bộ và đi bộ đường dài.