Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Le migliori pratiche per la previsione della domanda di nuovi prodotti
Questa sezione illustra le seguenti best practice per la previsione della domanda di nuovi prodotti:
Soddisfa i requisiti di preparazione dei dati per la previsione della domanda basata sui dati NPI
Per adottare approcci basati sui dati per la previsione NPI della domanda, l'organizzazione deve ottenere il supporto di tutte le parti interessate, come i responsabili del reparto di scienza o analisi dei dati, della catena di fornitura, del marketing e dell'IT. L'organizzazione dovrebbe quindi identificare quanto segue:
-
Le fonti dei dati interni esistenti e dei dati esterni pertinenti
-
I proprietari di queste fonti di dati
-
Le procedure e le autorizzazioni necessarie per utilizzare queste fonti di dati per l'iniziativa
È possibile valutare la disponibilità dei dati rispetto ai seguenti tipi di set di dati obbligatori e facoltativi. L'utilizzo del maggior numero possibile di set di dati, incluso quello opzionale, aiuta i modelli di apprendimento automatico a generare previsioni della domanda più accurateNPI.
Di seguito sono riportati alcuni esempi di fonti di dati interne richieste:
-
Cronologia completa delle vendite (dal lancio fino alla cessazione della produzione) per tutti i prodotti o sottoinsiemi di prodotti con caratteristiche simili a quelle del nuovo prodotto lanciato. La cronologia delle vendite può provenire da più canali di vendita o combinata su tutti i canali.
-
Mappatura degli attributi del prodotto per identificare il sottoinsieme di prodotti con attributi simili al nuovo prodotto lanciato.
Di seguito sono riportati alcuni esempi di fonti di dati interne opzionali:
-
Dati di marketing che tengono traccia di promozioni e sconti per prodotti simili. Questi dati devono essere uguali o superiori alla lunghezza della cronologia delle vendite.
-
Recensioni, valutazioni e dati sul traffico web dei prodotti. Questi dati devono essere uguali o superiori alla lunghezza della cronologia delle vendite.
-
Dati demografici dei consumatori
Di seguito sono riportati alcuni esempi di fonti di dati esterne opzionali che possono integrare i dati interni:
-
Dati sull'indice dei consumatori
-
Dati sulle vendite dei concorrenti
-
Dati del sondaggio
Crea meccanismi di acquisizione dei dati convenienti
Una volta soddisfatto il requisito di preparazione dei dati, l'organizzazione può scegliere i meccanismi di acquisizione e archiviazione dei dati più adatti. Se le principali fonti di dati di vendita della tua organizzazione vengono raccolte quotidianamente da diversi canali, prendi in considerazione l'ingestione di dati in batch. L'inserimento di dati in streaming è un'altra opzione se desideri previsioni self-service che traggano vantaggio dalla disponibilità dei dati più recenti.
La pipeline di inserimento dei dati grezzi dovrebbe utilizzare una pipeline di estrazione, trasformazione e caricamento () per una trasformazione leggera. ETL La pipeline deve eseguire controlli di qualità dei dati e archiviare i dati elaborati in un database per il consumo a valle.
Puoi utilizzare Servizi AWS, ad esempio AWS GlueAWS Glue Data Catalog, Amazon Data Firehose e Amazon Simple Storage Service (Amazon S3), per l'acquisizione e lo storage dei dati a costi contenuti. AWS Glueè un ETL servizio serverless completamente gestito che ti aiuta a classificare, pulire, trasformare e trasferire in modo affidabile i dati tra diversi archivi di dati. I componenti principali di sono AWS Glue costituiti da un repository centrale di metadati, noto come AWS Glue Data Catalog, e da un sistema di ETL lavoro che genera automaticamente codice Python e Scala e gestisce i lavori. ETL Amazon Data Firehose ti aiuta a raccogliere, elaborare e analizzare dati di streaming in tempo reale su qualsiasi scala. Firehose è in grado di fornire dati di streaming in tempo reale direttamente ai data lake (come Amazon S3), agli archivi dati e ai servizi di analisi per un'ulteriore elaborazione. Amazon S3 è un servizio di storage di oggetti che offre scalabilità, disponibilità dei dati, sicurezza e prestazioni.
Determina gli approcci ML possibili per prevedere la domanda NPI
A seconda del caso d'uso specifico, l'organizzazione può prendere in considerazione diverse opzioni di previsione.
Un approccio di previsione statistica, come il modello di diffusione Bass
Se il nuovo prodotto non presenta innovazioni significative, l'organizzazione può utilizzare modelli di previsione di serie temporali basati sulla cronologia delle vendite del prodotto più simile al nuovo prodotto. Puoi utilizzare algoritmi di previsione basati su ML, come l'algoritmo di previsione Amazon AI SageMaker DeepAR, che può utilizzare dati di vendita di serie temporali di più prodotti simili. Si tratta di una soluzione ideale per gli scenari di previsione con avvio a freddo, vale a dire quando si desidera generare una previsione per una serie temporale ma i dati storici esistenti sono scarsi o nulli. L'immagine seguente mostra come utilizzare i dati delle serie temporali di prodotti correlati per generare una previsione per un nuovo prodotto simile.
Dovresti prendere in considerazione la possibilità di generare previsioni in linea con la tempistica di lancio del nuovo prodotto. Genera previsioni con largo anticipo per disporre di un margine sufficiente per eventuali correzioni logistiche.
Scala e monitora gli effetti delle previsioni
Dopo aver completato un proof of concept per la previsione della NPI domanda, la soluzione dovrebbe essere scalabile fino a includere prodotti aggiuntivi e più aree geografiche. Utilizza un framework di intelligenza artificiale e apprendimento automatico (AI/ML) per preparare i dati e sviluppare, implementare e monitorare il modello.
Il diagramma seguente illustra la strategia di lancio e di scalabilità man mano che la soluzione di previsione dell'organizzazione matura. NPI
Si consiglia inoltre di progettare la soluzione in modo che i dirigenti e le parti interessate possano elaborare previsioni in modo autonomo. Ad esempio, puoi creare QuickSightdashboard Amazon in modo che le parti interessate possano accedere alle ultime previsioni su richiesta.
Monitora attentamente l'accuratezza delle previsioni e analizza attentamente le deviazioni per garantire un ragionevole ritorno sull'investimento (). ROI Se configuri il monitoraggio dei modelli con Amazon SageMaker AI Model Monitor, puoi monitorare le prestazioni dei tuoi modelli mentre effettuano previsioni in tempo reale su dati in tempo reale. Puoi utilizzare Amazon SageMaker Model Dashboard per trovare modelli che violano le soglie che hai impostato per la qualità dei dati, la qualità del modello, la distorsione e la spiegabilità. Per ulteriori informazioni, consulta Utilizzare la governance per gestire le autorizzazioni e monitorare le prestazioni del modello nella documentazione di Amazon SageMaker AI.
