FAQstentang menggunakan pembelajaran mesin untuk meramalkan permintaan produk baru

Berikut ini adalah pertanyaan yang sering diajukan terkait dengan penerapan model ML yang memperkirakan permintaan untuk pengenalan produk baru.

Siapa yang harus saya mobilisasi untuk memulai proses?

Kesiapan organisasi secara langsung dipengaruhi oleh seberapa banyak dukungan yang Anda miliki dari manajemen tingkat atas. Kami menyarankan Anda mendapatkan persetujuan dari manajer di departemen ilmu data atau analitik, rantai pasokan, pemasaran, dan TI. Minta dukungan dari pemangku kepentingan dan pemimpin lain yang sesuai untuk organisasi Anda.

Tim seperti apa yang harus saya kumpulkan?

Untuk berhasil memberikan inisiatif dan menghasilkan hasil yang terukur, kumpulkan tim yang meliputi:

• Ilmuwan data untuk pengembangan model

• Insinyur data untuk pengumpulan dan konsumsi data

• Insinyur pembelajaran mesin untuk penerapan model dan dasbor swalayan

• Pakar materi pelajaran untuk keahlian domain

Data historis apa yang saya butuhkan dan berapa banyak?

Pertimbangkan untuk memperoleh data berikut:

• Data penjualan untuk semua produk serupa, mulai dari peluncuran produk hingga penghentian.

• Metadata yang menjelaskan fitur dan atribut produk. Contoh atribut ini untuk produk CE mungkin kemampuan Bluetooth, fitur nirkabel, USB jenis, dan warna.

• Data time-series yang relevan yang terkait dengan data penjualan, seperti data pemasaran, data liburan, data review, dan data rating.

  catatan

  Akan bermanfaat jika Anda dapat memperluas data deret waktu yang relevan ke dalam cakrawala peramalan untuk inferensi model. Misalnya, jika data deret waktu terkait adalah hari libur, Anda dapat memperpanjang data deret waktu untuk liburan ke masa depan karena Anda mengetahui hari libur sebelumnya.

Kapan saya harus mulai membuat perkiraan permintaan untuk produk baru?

Ini adalah keputusan bisnis yang perlu dibuat oleh setiap organisasi. Idealnya, organisasi harus menggunakan perkiraan untuk memenuhi permintaan produk baru. Disarankan agar Anda menghasilkan perkiraan NPI permintaan mingguan atau bulanan sebelum Anda mulai memproduksi produk baru. Prakiraan membantu Anda memperkirakan suku cadang dan tenaga kerja dengan benar.

Data pihak ketiga apa yang harus saya kumpulkan?

Anda dapat mempertimbangkan untuk menambahkan data pihak ketiga berikut untuk mendapatkan perkiraan yang lebih akurat: indeks konsumen, proxy biaya hidup, dan riwayat penjualan pesaing. Data pihak ketiga ini akan dianggap sebagai data deret waktu terkait. Pertimbangkan untuk mendapatkan data ini untuk periode waktu yang sama dengan data penjualan Anda dan pada periodisitas yang sama (seperti harian atau mingguan).

Apa infrastruktur minimum yang saya butuhkan?

Minimal, infrastruktur harus mendukung hal-hal berikut:

• Saluran konsumsi data, di mana data dikumpulkan baik dalam batch atau melalui mode streaming

• ETLPipa pra-pemrosesan yang mengekstrak dan mengubah data mentah menjadi format input standar untuk pemodelan ML

• Lingkungan pengembangan untuk pengembangan model, eksperimen, dan validasi

• Pipa integrasi berkelanjutan dan penerapan berkelanjutan (CI/CD) yang mendorong model ML ke dalam produksi

• Mekanisme untuk registri model, pemantauan, dan pelatihan ulang

• Lapisan keamanan yang mengenkripsi data dalam transit dan data saat istirahat dan menyediakan kontrol akses berbutir halus

Bagaimana cara memvalidasi bahwa pendekatan berbasis data saya efektif? Apa yang dimaksud dengan KPIs?

Setiap inisiatif ilmu data atau solusi berbasis data perlu divalidasi terhadap serangkaian indikator kinerja utama (). KPIs Ini KPIs bisa menjadi ukuran seberapa dekat perkiraan model dengan permintaan aktual. Anda dapat menghasilkan metrik ini untuk periode waktu yang berbeda, seperti perkiraan yang 1 minggu atau 1 bulan di masa depan. Anda juga dapat secara langsung mengukur berapa banyak bagian yang dipesan secara berlebihan atau kurang dipesan, berdasarkan perkiraan yang dihasilkan oleh model. Para pemangku kepentingan dan manajemen tingkat atas harus dengan hati-hati menyusun satu set KPIs yang melacak kinerja model. Gunakan itu KPIs untuk menentukan ROI apakah memenuhi harapan.

Seberapa sering saya harus membuat perkiraan?

Frekuensi perkiraan tergantung pada dua faktor. Seberapa erat hubungannya dengan perkiraan dengan kumpulan data deret waktu yang tersedia? Seberapa variabel data dari kumpulan data deret waktu terkait? Secara umum, sering menghasilkan perkiraan dapat membantu organisasi Anda mempersiapkan diri dengan baik untuk memenuhi permintaan akan produk baru.

Bagaimana cara mengaktifkan swalayan?

Seiring bertambahnya kapasitas, organisasi harus mengembangkan infrastruktur swalayan yang mengotomatiskan konsumsi data, pra-pemrosesan, dan jalur pelatihan model untuk pembuatan perkiraan. Hasil dan dampak model ML harus diukur dan dipublikasikan ke dasbor untuk akses sesuai permintaan.

Bagaimana cara kerja AWS penetapan harga?

Untuk informasi selengkapnya, lihat Harga AWS.