Uso de conjuntos de datos de metadatos de artículos

Un conjunto de datos de metadatos de artículos contiene datos categóricos que proporcionan contexto valioso para artículos en un conjunto de datos de serie temporal de destino. A diferencia de los conjuntos de datos de series temporales relacionadas, los conjuntos de datos de metadatos de artículos proporcionan información estática. Es decir, los valores de datos se mantienen constantes a lo largo del tiempo, como el color o la marca de un artículo. Los conjuntos de datos de metadatos de los artículos son adiciones opcionales a sus grupos de conjuntos de datos. Solo puede utilizar los metadatos de artículos si cada uno de los artículos del conjunto de datos de serie temporal de destino está presente en el conjunto de datos de metadatos de artículos correspondiente.

Los metadatos del artículo pueden incluir la marca, el color, el modelo, la categoría, el lugar de origen u otra característica complementaria de un artículo en particular. Por ejemplo, un conjunto de datos de metadatos de artículos puede proporcionar el contexto de algunos de los datos de demanda encontrados en un conjunto de datos de serie temporal de destino que representa las ventas de e-readers de Amazon de color negro con 32 GB de almacenamiento. Porque estas características no cambian de un conjunto de datos de metadatos de elementos day-to-day ni hour-to-hour pertenecen a él.

Los metadatos de artículos son útiles para descubrir y realizar un seguimiento de patrones descriptivos a través de los datos de series temporales. Si se incluye un conjunto de datos de metadatos de artículos en un grupo de conjuntos de datos, puede entrenar el modelo para que realice predicciones más acertadas basándose en las similitudes entre los artículos. Por ejemplo, es posible predecir que los productos de asistente virtual fabricados por Amazon se agotarán más rápidamente que los creados por otras empresas y planificar la cadena de suministro en consecuencia.

Los metadatos de artículos son especialmente útiles en escenarios de previsión de inicio de arranque en frío, en los que no se dispone de datos históricos con los que realizar predicciones, pero sí disponen de datos históricos sobre artículos con atributos de metadatos similares. Los metadatos de los artículos permiten a Forecast aprovechar artículos similares a los de arranque en frío para generar una previsión.

Al incluir los metadatos de los artículos, Forecast crea previsiones de arranque en frío basadas en series temporales similares, lo que puede generar una previsión más precisa. Las previsiones de arranque en frío se generan para los artículos que se encuentran en el conjunto de datos de metadatos de los artículos, pero no en la serie temporal final. En primer lugar, Forecast genera previsiones para los artículos que no son de arranque en frío, que son artículos con datos históricos de las series temporales finales. A continuación, para cada artículo de arranque en frío, sus vecinos más cercanos se encuentran utilizando el conjunto de datos de metadatos del artículo. A continuación, estos vecinos más cercanos se utilizan para crear una previsión de arranque en frío.

Cada fila de un conjunto de datos de metadatos de artículos puede contener hasta 10 campos de metadatos, uno de los cuales debe ser un campo de identificación para hacer coincidir los metadatos con un artículo de la serie temporal de destino. Al igual que sucede con todos los tipos de conjunto de datos, los valores de cada campo se designan mediante un esquema de conjunto de datos.

Cuadernos de Python

Para obtener una step-by-step guía sobre el uso de los metadatos de los elementos, consulte Incorporar los metadatos de los elementos.

Ejemplo: Archivo de metadatos de artículos y esquema

En la siguiente tabla se muestra una sección de un archivo de conjunto de datos de metadatos de artículos configurado correctamente que describe los e-readers de Amazon. En este ejemplo, suponga que la fila de encabezado representa el esquema del conjunto de datos y que cada artículo de la lista está en un conjunto de datos de la serie temporal de destino correspondiente.

item_id	brand	model	color	waterproof
1	amazon	paperwhite	black	yes
2	amazon	paperwhite	blue	yes
3	amazon	base_model	black	no
4	amazon	base_model	white	no
...

A continuación aparece la misma información representada en formato CSV.

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

A continuación se muestra el esquema de este conjunto de datos de ejemplo.

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

Predictores heredados y metadatos de artículos

nota

Para actualizar un predictor existente a AutoPredictor, consulte Actualización a AutoPredictor

Al utilizar un predictor heredado, puede utilizar los metadatos de los artículos al entrenar un predictor con los algoritmos CNN-QR o DeepAR+. Al usar AutoML, puede proporcionar metadatos de artículo y Forecast solo usará esas series temporales cuando corresponda.

Véase también

Para obtener un recorrido detallado sobre el uso de conjuntos de datos de metadatos de artículos, consulte Incorporar conjuntos de datos de metadatos de artículos a su predictor en el repositorio de muestras de Amazon Forecast. GitHub