Verwenden von Artikel-Metadaten-Datensätzen - Amazon Forecast

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verwenden von Artikel-Metadaten-Datensätzen

Importieren in &S3;Element-Metadaten-Datasetenthält kategorische Daten, die einen nützlichen Kontext für die Artikel in einem Ziel-Zeitreihen-Dataset liefern. Im Gegensatz zu verwandten Zeitreihen-Datensätzen liefern Artikel-Metadaten-Datensätze Informationen, die statisch sind. Das heißt, die Datenwerte bleiben über die Zeit konstant, wie die Farbe oder die Marke eines Artikels. Elementmetadaten-Datasets sind optionale Ergänzungen zu Ihren Datensatzgruppen. Sie können Artikel-Metadaten nur dann verwenden, wenn jeder Artikel in Ihrem Ziel-Zeitreihen-Datensatz im entsprechenden Artikel-Metadaten-Datensatz vorhanden ist.

Artikel-Metadaten können Marke, Farbe, Modell, Kategorie, Herkunftsort oder andere Zusatzmerkmale eines bestimmten Artikel enthalten. Beispielsweise könnte ein Metadatensatz für Artikel-Metadaten den Kontext für einige der Nachfragedaten liefern, die in einem Ziel-Zeitreihen-Datensatz gefunden wurden, der die Verkäufe von schwarzen Amazon-E-Readern mit 32 GB Speicherplatz darstellt. Da sich diese Merkmale nicht von Tag zu Tag oder von Stunde zu Stunde ändern, gehören sie in einen Artikel-Metadatensatz.

Artikel-Metadaten sind nützlich, um aussagekräftige Muster in Ihren Zeitreihendaten zu erkennen und nachzuverfolgen. Wenn Sie ein Artikel-Metadaten-Dataset in Ihre Datensatzgruppe aufnehmen, kann Forecast das Modell trainieren, um genauere Vorhersagen basierend auf Ähnlichkeiten zwischen Artikeln zu treffen. Sie könnten beispielsweise feststellen, dass von Amazon hergestellte Produkte mit virtuellen Assistenten mit größerer Wahrscheinlichkeit ausverkauft sein werden als die von anderen Unternehmen hergestellten und dann Ihre Lieferkette entsprechend planen.

Artikel-Metadaten sind besonders nützlich in Kaltstart-Prognoseszenarien, in denen Sie über wenig direkte historische Daten, anhand derer Sie Vorhersagen treffen können, verfügen, aber über historische Daten über Artikel mit ähnlichen Metadaten-Attributen. Wenn Sie den Kontext für die wenigen Daten, die Sie haben, bereitstellen, kann Ihr Prognoseprädiktor nützliche, nicht offensichtliche Rückschlüsse auf die Artikel in Ihren Daten ziehen, die die Vorhersagegenauigkeit erhöhen.

Jede Zeile in einem Artikel-Metadatensatz kann bis zu 10 Metadatenfelder enthalten, von denen eines ein Identifikationsfeld sein muss, um die Metadaten einem Artikel in der Ziel-Zeitreihe zuordnen zu können. Wie bei allen Datensatztypen werden die Werte der einzelnen Felder durch ein Datensatz-Schema ausgewiesen.

Python-Notebooks

Eine Schritt-für-Schritt-Anleitung zur Verwendung von Elementmetadaten finden Sie unterArtikel-Metadaten einbeziehenaus.

Beispiel: Artikel-Metadaten-Datei und Schema

In der folgenden Tabelle wird ein Abschnitt einer korrekt konfigurierten Metadaten-Datensatzdatei für Artikel gezeigt, mit der Amazon E-Reader beschrieben werden. Nehmen Sie für dieses Beispiel an, dass die Kopfzeile das Schema des Datensatzes darstellt und dass jeder aufgeführte Artikel in einem entsprechenden Ziel-Zeitreihen-Datensatz enthalten ist.

item_id brand model color waterproof
1 amazon paperwhite black Ja
2 amazon paperwhite blue Ja
3 amazon base_model black Nein
4 amazon base_model white Nein
...

Im Folgenden werden die gleichen Informationen im CSV-Format dargestellt.

1,amazon,paperwhite,black,yes 2,amazon,paperwhite,blue,yes 3,amazon,base_model,black,no 4,amazon,base_model,white,no ...

Folgendes ist das Schema für diesen Beispieldatensatz.

{ "attributes": [ { "AttributeName": "item_id", "AttributeType": "string" }, { "AttributeName": "brand", "AttributeType": "string" }, { "AttributeName": "model", "AttributeType": "string" }, { "AttributeName": "color", "AttributeType": "string" }, { "AttributeName": "waterproof", "AttributeType": "string" } ] }

Legacy-Prädiktoren und Element-Metadaten

Anmerkung

Informationen zum Upgrade eines vorhandenen Prädiktors auf AutoRedictor finden Sie unterAktualisieren auf AutoPredictor

Wenn Sie einen Legacy-Prädiktor verwenden, können Sie Elementmetadaten verwenden, wenn Sie einen Prädiktor mit demCNN-QRoderDeepAR+Algorithmen. Wenn Sie AutoML verwenden, können Sie Artikelmetadaten angeben, und Forecast verwendet diese Zeitreihen nur gegebenenfalls

Weitere Informationen finden Sie unter:

Eine ausführliche Anleitung zur Verwendung von Artikel-Metadaten-Datasets finden Sie unterEinbinden von Elementmetadaten-Datasets in Ihren PrädiktorimAmazon-Prognosebeispiele GitHub Repositoryaus.