FAQsüber den Einsatz von maschinellem Lernen zur Prognose der Nachfrage nach neuen Produkten

Im Folgenden finden Sie häufig gestellte Fragen zur Implementierung eines ML-Modells, das die Nachfrage nach der Einführung neuer Produkte prognostiziert.

Wen sollte ich mobilisieren, um den Prozess zu starten?

Die Bereitschaft eines Unternehmens hängt direkt davon ab, wie viel Unterstützung Sie vom oberen Management erhalten. Wir empfehlen Ihnen, die Zustimmung von Managern in den Bereichen Datenwissenschaft oder Analytik, Lieferkette, Marketing und IT einzuholen. Bitten Sie andere Interessengruppen und Führungskräfte um Unterstützung, sofern dies für Ihr Unternehmen angemessen ist.

Welches Team sollte ich zusammenstellen?

Um die Initiative erfolgreich umzusetzen und messbare Ergebnisse zu erzielen, sollten Sie ein Team zusammenstellen, das Folgendes umfasst:

• Datenwissenschaftler für die Modellentwicklung

• Dateningenieure für die Datenerfassung und -aufnahme

• Ingenieure für maschinelles Lernen für die Modellbereitstellung und ein Self-Service-Dashboard

• Fachexperten für Fachkenntnisse

Welche historischen Daten benötige ich und wie viele?

Erwägen Sie die Erfassung der folgenden Daten:

• Verkaufsdaten für alle ähnlichen Produkte, von der Produkteinführung bis zur Einstellung.

• Metadaten, die die Produktmerkmale und -attribute beschreiben. Beispiele für diese Attribute für CE-Produkte könnten Bluetooth-Fähigkeit, Funkfunktionen, USB Typ und Farbe sein.

• Relevante Zeitreihendaten, die sich auf die Verkaufsdaten beziehen, z. B. Marketingdaten, Urlaubsdaten, Bewertungsdaten und Bewertungsdaten.

  Anmerkung

  Für Modellinferenzen ist es von Vorteil, wenn Sie die relevanten Zeitreihendaten bis in den Prognosezeitraum hinein ausdehnen können. Wenn es sich bei den zugehörigen Zeitreihendaten beispielsweise um Feiertage handelt, können Sie die Zeitreihendaten für Feiertage auf die future ausdehnen, da Sie die Feiertage im Voraus kennen.

Wann sollte ich mit der Erstellung einer Nachfrageprognose für ein neues Produkt beginnen?

Dies ist eine Geschäftsentscheidung, die jedes Unternehmen treffen muss. Idealerweise sollte ein Unternehmen die Prognose verwenden, um die Nachfrage nach dem neuen Produkt zu decken. Es wird empfohlen, dass Sie eine wöchentliche oder monatliche NPI Bedarfsprognose erstellen, bevor Sie mit der Herstellung des neuen Produkts beginnen. Die Prognose hilft Ihnen dabei, Teile und Arbeitsaufwand richtig einzuschätzen.

Welche Daten von Drittanbietern sollte ich sammeln?

Sie können erwägen, die folgenden Daten von Drittanbietern hinzuzufügen, um eine genauere Prognose zu erhalten: Verbraucherindex, Näherungswerte für Lebenshaltungskosten und Verkaufshistorie der Wettbewerber. Diese Daten von Drittanbietern würden als verwandte Zeitreihendaten betrachtet. Erwägen Sie, diese Daten für denselben Zeitraum wie Ihre Verkaufsdaten und in derselben Periodizität (z. B. täglich oder wöchentlich) abzurufen.

Was ist die Mindestinfrastruktur, die ich benötige?

Die Infrastruktur sollte mindestens Folgendes unterstützen:

• Datenerfassungspipelines, bei denen Daten entweder im Batch- oder im Streaming-Modus gesammelt werden

• Eine ETL Vorverarbeitungspipeline, die die Rohdaten extrahiert und in standardisierte Eingabeformate für die ML-Modellierung umwandelt

• Eine Entwicklungsumgebung für Modellentwicklung, Experimente und Validierung

• Eine CI/CD-Pipeline (Continuous Integration and Continuous Deployment), die das ML-Modell in die Produktion überführt

• Mechanismen für die Registrierung, Überwachung und Umschulung von Modellen

• Eine Sicherheitsebene, die Daten bei der Übertragung und Daten im Ruhezustand verschlüsselt und eine differenzierte Zugriffskontrolle ermöglicht

Wie überprüfe ich, ob mein datengesteuerter Ansatz effektiv ist? Was sind die KPIs?

Jede datenwissenschaftliche Initiative oder datengesteuerte Lösung muss anhand einer Reihe von wichtigen Leistungsindikatoren () KPIs validiert werden. Diese KPIs können ein Maß dafür sein, wie nahe die Prognose des Modells an der tatsächlichen Nachfrage liegt. Sie können diese Metrik für verschiedene Zeiträume generieren, z. B. für Prognosen, die eine Woche oder einen Monat in der future liegen. Auf der Grundlage der vom Modell generierten Prognose können Sie auch direkt messen, wie viele Teile überbestellt oder unterbestellt waren. Die Interessengruppen und das obere Management sollten sorgfältig eine Reihe von Modellen zusammenstellen, mit KPIs denen die Leistung des Modells nachverfolgt werden kann. Verwenden Sie dieseKPIs, um festzustellen, ob ROI das den Erwartungen entspricht.

Wie oft sollte ich die Prognosen erstellen?

Die Häufigkeit der Prognosen hängt von zwei Faktoren ab. Wie eng soll die Prognose mit den verfügbaren Zeitreihen-Datensätzen verknüpft sein? Wie variabel sind die Daten aus den zugehörigen Zeitreihendatensätzen? Im Allgemeinen kann die häufige Erstellung von Prognosen Ihrem Unternehmen dabei helfen, sich angemessen auf die Nachfrage nach dem neuen Produkt vorzubereiten.

Wie aktiviere ich Self-Service?

Wenn die Kapazität wächst, sollte das Unternehmen eine Self-Service-Infrastruktur entwickeln, die die Datenaufnahme, die Vorverarbeitung und die Modelltrainingspipeline für die Prognosegenerierung automatisiert. Die Ergebnisse und Auswirkungen des ML-Modells sollten gemessen und in einem Dashboard veröffentlicht werden, auf das bei Bedarf zugegriffen werden kann.

Wie funktioniert die AWS Preisgestaltung?

Weitere Informationen finden Sie unter AWS - Preise.