FAQssull'utilizzo dell'apprendimento automatico per prevedere la domanda di nuovi prodotti

Di seguito sono riportate le domande frequenti relative all'implementazione di un modello di machine learning che prevede la domanda per il lancio di nuovi prodotti.

Chi devo mobilitarmi per avviare il processo?

La preparazione di un'organizzazione è direttamente influenzata dal sostegno ricevuto dai vertici aziendali. Ti consigliamo di ottenere l'approvazione dei responsabili del reparto di scienza o analisi dei dati, della catena di fornitura, del marketing e dell'IT. Richiedi il supporto di altre parti interessate e leader in base alle esigenze della tua organizzazione.

Che tipo di squadra devo riunire?

Per portare a termine con successo l'iniziativa e produrre risultati misurabili, riunisci un team che includa:

• Scienziati dei dati per lo sviluppo di modelli

• Ingegneri dei dati per la raccolta e l'ingestione dei dati

• Ingegneri di machine learning per l'implementazione di modelli e una dashboard self-service

• Esperti in materia per competenze di settore

Di quali dati storici ho bisogno e quanti?

Prendi in considerazione l'acquisizione dei seguenti dati:

• Dati di vendita per tutti i prodotti simili, dal lancio del prodotto alla sospensione.

• Metadati che descrivono le caratteristiche e gli attributi del prodotto. Esempi di questi attributi per i prodotti CE potrebbero essere la funzionalità Bluetooth, le funzionalità wireless, il USB tipo e il colore.

• Dati di serie temporali pertinenti correlati ai dati di vendita, come dati di marketing, dati sulle festività, dati sulle recensioni e dati sulle valutazioni.

  Nota

  È utile estendere i dati delle serie temporali pertinenti all'orizzonte di previsione per l'inferenza del modello. Ad esempio, se i dati delle serie temporali correlate sono festività, è possibile estendere i dati delle serie temporali per le festività future perché si conoscono le festività in anticipo.

Quando devo iniziare a generare una previsione della domanda per un nuovo prodotto?

Questa è una decisione aziendale che ogni organizzazione deve prendere. Idealmente, un'organizzazione dovrebbe utilizzare le previsioni per soddisfare la domanda del nuovo prodotto. Si consiglia di generare una previsione della NPI domanda settimanale o mensile prima di iniziare a produrre il nuovo prodotto. La previsione consente di stimare correttamente parti e manodopera.

Quali dati di terze parti devo raccogliere?

Puoi prendere in considerazione l'aggiunta dei seguenti dati di terze parti per ottenere previsioni più accurate: indice dei consumatori, indicatori del costo della vita e cronologia delle vendite dei concorrenti. Questi dati di terze parti verrebbero considerati dati di serie temporali correlate. Valuta la possibilità di raccogliere questi dati per lo stesso periodo di tempo dei dati di vendita e con la stessa periodicità (ad esempio giornaliera o settimanale).

Qual è l'infrastruttura minima di cui ho bisogno?

Come minimo, l'infrastruttura deve supportare quanto segue:

• Pipeline di inserimento dei dati, in cui i dati vengono raccolti in batch o in modalità streaming

• Una ETL pipeline di pre-elaborazione che estrae e trasforma i dati grezzi in formati di input standardizzati per la modellazione ML

• Un ambiente di sviluppo per lo sviluppo, la sperimentazione e la convalida di modelli

• Una pipeline di integrazione e implementazione continua (CI/CD) che porta il modello ML in produzione

• Meccanismi per il registro, il monitoraggio e la riqualificazione dei modelli

• Un livello di sicurezza che crittografa i dati in transito e i dati inattivi e fornisce un controllo granulare degli accessi

Come posso verificare che il mio approccio basato sui dati sia efficace? Cosa sono gli KPIs?

Ogni iniziativa di data science o soluzione basata sui dati deve essere convalidata rispetto a una serie di indicatori chiave di performance (). KPIs Questi KPIs possono essere una misura di quanto la previsione del modello sia vicina alla domanda effettiva. Puoi generare questa metrica per periodi di tempo diversi, ad esempio previsioni future di 1 settimana o 1 mese. Puoi anche misurare direttamente quante parti sono state ordinate in eccesso o in eccesso, in base alla previsione generata dal modello. Le parti interessate e i dirigenti superiori dovrebbero creare con cura un set di dati KPIs che tenga traccia delle prestazioni del modello. Usali KPIs per determinare se soddisfa le aspettative. ROI

Con che frequenza devo generare le previsioni?

La frequenza delle previsioni dipende da due fattori. Quanto strettamente vuoi che la previsione sia connessa ai set di dati delle serie temporali disponibili? Quanto sono variabili i dati dei relativi set di dati delle serie temporali? In generale, la generazione frequente di previsioni può aiutare l'organizzazione a prepararsi adeguatamente a soddisfare la domanda del nuovo prodotto.

Come posso abilitare il self-service?

Con l'aumento della capacità, l'organizzazione dovrebbe sviluppare un'infrastruttura self-service che automatizzi l'inserimento dei dati, la preelaborazione e la pipeline di formazione dei modelli per la generazione di previsioni. I risultati e l'impatto del modello ML devono essere misurati e pubblicati in una dashboard per l'accesso su richiesta.

Come funzionano AWS i prezzi?

Per ulteriori informazioni, consultare Prezzi di AWS.