Verwenden von Artikel-Metadaten-Datensätzen

Ein Datensatz mit Artikelmetadaten enthält kategoriale Daten, die einen wertvollen Kontext für die Artikel in einem Zielzeitreihendatensatz bieten. 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. Artikelmetadaten-Datensätze 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 day-to-day oder unterscheiden hour-to-hour, gehören sie zu einem Elementmetadaten-Datensatz.

Artikel-Metadaten sind nützlich, um aussagekräftige Muster in Ihren Zeitreihendaten zu erkennen und nachzuverfolgen. Wenn Sie einen Element-Metadaten-Datensatz in Ihre Datensatzgruppe aufnehmen, kann Forecast das Modell trainieren, um genauere Vorhersagen auf der Grundlage von Ähnlichkeiten zwischen Elementen 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.

Elementmetadaten sind besonders nützlich in Kaltstart-Prognoseszenarien, in denen Sie keine historischen Daten haben, anhand derer Sie Vorhersagen treffen könnten, aber historische Daten zu Elementen mit ähnlichen Metadatenattributen haben. Mithilfe der Elementmetadaten kann Forecast ähnliche Elemente wie Ihre Kaltstart-Artikel nutzen, um eine Prognose zu erstellen.

Wenn Sie Elementmetadaten einbeziehen, erstellt Forecast Kaltstartprognosen auf der Grundlage ähnlicher Zeitreihen, wodurch genauere Prognosen erstellt werden können. Coldstart-Prognosen werden für Elemente generiert, die sich im Elementmetadaten-Datensatz, aber nicht in der nachfolgenden Zeitreihe befinden. Zunächst generiert Forecast Prognosen für die Nicht-Kaltstart-Elemente, bei denen es sich um Elemente mit historischen Daten in der nachfolgenden Zeitreihe handelt. Als Nächstes werden für jedes Coldstart-Element die nächsten Nachbarn mithilfe des Metadaten-Datensatzes des Elements ermittelt. Anschließend werden diese nächstgelegenen Nachbarn verwendet, um eine Kaltstartprognose zu erstellen.

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-Notizbücher

Eine step-by-step Anleitung zur Verwendung von Element-Metadaten finden Sie unter Element-Metadaten integrieren.

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"
        }
    ]
}

Ältere Prädiktoren und Artikelmetadaten

Anmerkung

Informationen zum Upgrade eines vorhandenen Prädiktors auf finden Sie unter AutoPredictor Upgrade auf AutoPredictor

Wenn Sie einen älteren Prädiktor verwenden, können Sie Artikelmetadaten verwenden, wenn Sie einen Prädiktor mit den CNN-QR - oder DeePar+-Algorithmen trainieren. Wenn Sie AutoML verwenden, können Sie Artikelmetadaten angeben, und Forecast verwendet gegebenenfalls nur diese Zeitreihen.

Weitere Informationen finden Sie unter:

Eine ausführliche Anleitung zur Verwendung von Artikelmetadaten-Datensätzen finden Sie unter Incorporating Item Metadata Datasets in Your Predictor im Amazon Forecast Samples Repository. GitHub