FAQssur l'utilisation de l'apprentissage automatique pour prévoir la demande de nouveaux produits

Les questions suivantes sont fréquemment posées concernant la mise en œuvre d'un modèle de machine learning qui prévoit la demande de lancements de nouveaux produits.

Qui dois-je mobiliser pour démarrer le processus ?

L'état de préparation d'une organisation est directement influencé par le niveau de soutien dont vous bénéficiez de la part de la haute direction. Nous vous recommandons d'obtenir l'approbation des responsables des services de science ou d'analyse des données, de la chaîne d'approvisionnement, du marketing et de l'informatique. Demandez le soutien d'autres parties prenantes et dirigeants, selon les besoins de votre organisation.

Quel type d'équipe dois-je constituer ?

Pour mener à bien l'initiative et produire des résultats mesurables, formez une équipe composée des personnes suivantes :

• Des scientifiques de données pour le développement de modèles

• Ingénieurs de données pour la collecte et l'ingestion de données

• Ingénieurs en apprentissage automatique pour le déploiement de modèles et un tableau de bord en libre-service

• Des experts en la matière pour une expertise dans le domaine

De quelles données historiques ai-je besoin et de quelle quantité ?

Envisagez d'acquérir les données suivantes :

• Données de vente pour tous les produits similaires, du lancement du produit à son arrêt.

• Métadonnées décrivant les caractéristiques et les attributs du produit. Des exemples de ces attributs pour les produits CE peuvent être la capacité Bluetooth, les fonctionnalités sans fil, le USB type et la couleur.

• Données chronologiques pertinentes liées aux données de vente, telles que les données marketing, les données de vacances, les données d'avis et les données de notation.

  Note

  Il est avantageux de pouvoir étendre les données de séries chronologiques pertinentes à l'horizon de prévision pour l'inférence du modèle. Par exemple, si les données de série chronologique associées sont des jours fériés, vous pouvez étendre les données des séries chronologiques pour les jours fériés dans le futur, car vous connaissez les jours fériés à l'avance.

Quand dois-je commencer à générer une prévision de la demande pour un nouveau produit ?

Il s'agit d'une décision commerciale que chaque organisation doit prendre. Idéalement, une organisation devrait utiliser les prévisions pour répondre à la demande du nouveau produit. Il est recommandé de générer une prévision de NPI la demande hebdomadaire ou mensuelle avant de commencer à fabriquer le nouveau produit. Les prévisions vous aident à estimer correctement les pièces et la main-d'œuvre.

Quelles sont les données de tiers que je dois collecter ?

Vous pouvez envisager d'ajouter les données tierces suivantes pour obtenir des prévisions plus précises : indice de consommation, indicateurs du coût de la vie et historique des ventes des concurrents. Ces données tierces seraient considérées comme des séries chronologiques connexes. Envisagez d'obtenir ces données pour la même période que vos données de vente et à la même périodicité (quotidienne ou hebdomadaire, par exemple).

Quelle est l'infrastructure minimale dont j'ai besoin ?

L'infrastructure doit au minimum prendre en charge les éléments suivants :

• Pipelines d'ingestion de données, où les données sont collectées par lots ou via des modes de streaming

• Un ETL pipeline de prétraitement qui extrait et transforme les données brutes en formats d'entrée normalisés pour la modélisation du ML

• Un environnement de développement pour le développement, l'expérimentation et la validation de modèles

• Un pipeline d'intégration continue et de déploiement continu (CI/CD) qui met le modèle ML en production

• Mécanismes d'enregistrement, de surveillance et de reconversion des modèles

• Une couche de sécurité qui chiffre les données en transit et les données au repos et fournit un contrôle d'accès précis

Comment puis-je vérifier que mon approche axée sur les données est efficace ? Qu'est-ce que les KPIs ?

Chaque initiative de science des données ou solution axée sur les données doit être validée par rapport à un ensemble d'indicateurs de performance clés (KPIs). Il KPIs peut s'agir d'une mesure de la proximité entre les prévisions du modèle et la demande réelle. Vous pouvez générer cette métrique pour différentes périodes, telles que des prévisions d'une semaine ou d'un mois dans le futur. Vous pouvez également mesurer directement le nombre de pièces surcommandées ou sous-commandées, en fonction des prévisions générées par le modèle. Les parties prenantes et la haute direction devraient soigneusement élaborer un ensemble KPIs permettant de suivre les performances du modèle. Utilisez-les KPIs pour déterminer ROI s'ils répondent aux attentes.

À quelle fréquence dois-je générer les prévisions ?

La fréquence des prévisions dépend de deux facteurs. Dans quelle mesure souhaitez-vous que les prévisions soient étroitement liées aux ensembles de données de séries chronologiques disponibles ? Dans quelle mesure les données issues des séries chronologiques associées sont-elles variables ? En général, la génération fréquente de prévisions peut aider votre organisation à bien se préparer à répondre à la demande du nouveau produit.

Comment activer le libre-service ?

À mesure que la capacité augmente, l'organisation doit développer une infrastructure en libre-service qui automatise l'ingestion des données, le prétraitement et le pipeline de formation des modèles pour la génération de prévisions. Les résultats et l'impact du modèle ML doivent être mesurés et publiés sur un tableau de bord pour un accès à la demande.

Comment fonctionne la AWS tarification ?

Pour plus d'informations, consultez AWS Pricing (Tarification CTlong).