As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Melhores práticas para previsão de demanda de novos produtos
Esta seção discute as seguintes melhores práticas para a previsão da demanda de novos produtos:
Atenda aos requisitos de prontidão de dados para previsão de demanda baseada em dados NPI
Para adotar abordagens baseadas em dados para previsão de NPI demanda, sua organização deve obter apoio de todas as partes interessadas relevantes, como gerentes do departamento de ciência ou análise de dados, cadeia de suprimentos, marketing e TI. Sua organização deve então identificar o seguinte:
-
As fontes de dados internos existentes e dados externos relevantes
-
Os proprietários dessas fontes de dados
-
Os procedimentos e permissões necessários para usar essas fontes de dados para a iniciativa
Você pode avaliar a prontidão dos dados em relação aos seguintes tipos de conjuntos de dados obrigatórios e opcionais. Usar o maior número possível de conjuntos de dados, incluindo o tipo opcional, ajuda os modelos de aprendizado de máquina a gerar previsões de NPI demanda mais precisas.
Veja a seguir exemplos de fontes de dados internas necessárias:
-
Histórico completo de vendas (do lançamento do produto até a descontinuação) de todos os produtos ou subconjuntos de produtos que tenham atributos semelhantes aos do novo produto que está sendo lançado. O histórico de vendas pode ser de vários canais de vendas ou combinado em todos os canais.
-
Mapeamento de atributos do produto para identificar o subconjunto de produtos que têm atributos semelhantes aos do novo produto que está sendo lançado.
Veja a seguir exemplos de fontes de dados internas opcionais:
-
Dados de marketing que rastreiam promoções e descontos em produtos similares. Esses dados devem ser iguais ou maiores que o tamanho do histórico de vendas.
-
Avaliações de produtos, classificações e dados de tráfego na web. Esses dados devem ser iguais ou maiores que o tamanho do histórico de vendas.
-
Dados demográficos do consumidor
Veja a seguir exemplos de fontes de dados externas opcionais que podem complementar seus dados internos:
-
Dados do índice de consumidores
-
Dados de vendas da concorrência
-
Dados da pesquisa
Crie mecanismos econômicos de ingestão de dados
Depois que seu requisito de preparação de dados for atendido, sua organização poderá escolher os mecanismos de ingestão e armazenamento de dados mais adequados. Se as principais fontes de dados de vendas da sua organização forem coletadas diariamente em diferentes canais, considere a ingestão de dados em lote. A ingestão de dados por streaming é outra opção se você quiser previsões de autoatendimento que se beneficiem de ter os dados mais recentes.
O pipeline de ingestão de dados brutos deve usar um pipeline extract, transform e load (ETL) para uma transformação leve. O pipeline deve realizar verificações de qualidade de dados e armazenar os dados processados em um banco de dados para consumo posterior.
Você pode usar Serviços da AWS, por exemplo AWS GlueAWS Glue Data Catalog, o Amazon Data Firehose e o Amazon Simple Storage Service (Amazon S3) para ingestão e armazenamento de dados econômicos. AWS Glueé um ETL serviço sem servidor totalmente gerenciado que ajuda você a categorizar, limpar, transformar e transferir dados de forma confiável entre diferentes armazenamentos de dados. Os principais componentes do AWS Glue consistem em um repositório central de metadados, conhecido como AWS Glue Data Catalog, e um sistema de ETL tarefas que gera automaticamente código Python e Scala e gerencia trabalhos. ETL O Amazon Data Firehose ajuda você a coletar, processar e analisar dados de streaming em tempo real em qualquer escala. O Firehose pode fornecer dados de streaming em tempo real diretamente para lagos de dados (como o Amazon S3), armazenamentos de dados e serviços analíticos para processamento adicional. O Amazon S3 é um serviço de armazenamento de objetos que oferece escalabilidade, disponibilidade de dados, segurança e desempenho.
Determine as abordagens viáveis de ML para prever a demanda NPI
Dependendo do caso de uso específico, sua organização pode considerar diferentes opções de previsão.
Uma abordagem de previsão estatística, como o modelo de difusão Bass
Se o novo produto não apresentar inovação significativa, sua organização pode usar modelos de previsão de séries temporais que operam no histórico de vendas do produto mais semelhante ao novo produto. Você pode usar algoritmos de previsão baseados em ML, como o algoritmo de previsão Amazon AI SageMaker DeepAR, que pode usar dados de vendas em séries temporais de vários produtos similares. Isso é adequado para cenários de previsão de inicialização a frio, que é quando você deseja gerar uma previsão para uma série temporal, mas tem poucos ou nenhum dado histórico existente. A imagem a seguir mostra como você pode usar dados de séries temporais de produtos relacionados para gerar uma previsão para um produto novo e similar.
Você deve considerar a geração de previsões alinhadas ao cronograma de lançamento do seu novo produto. Gere previsões com bastante antecedência para permitir uma reserva suficiente para quaisquer correções logísticas.
Dimensione e acompanhe os efeitos da previsão
Depois de concluir uma prova de conceito para previsão de NPI demanda, a solução deverá eventualmente ser expandida para incluir produtos adicionais e várias regiões. Use uma estrutura de inteligência artificial e aprendizado de máquina (AI/ML) para preparar dados e desenvolver, implantar e monitorar o modelo.
O diagrama a seguir demonstra a estratégia de lançamento e escala à medida que a solução de NPI previsão da organização amadurece.
Também é recomendável que você projete a solução para que executivos e partes interessadas possam autoatender às previsões. Por exemplo, você pode criar QuickSightpainéis da Amazon para que as partes interessadas possam acessar as previsões mais recentes sob demanda.
Monitore de perto a precisão da previsão e investigue minuciosamente os desvios para garantir um retorno razoável sobre o investimento ()ROI. Se você configurar o monitoramento de modelos com o Amazon SageMaker AI Model Monitor, poderá acompanhar o desempenho de seus modelos à medida que eles fazem previsões em tempo real em dados ao vivo. Você pode usar o Amazon SageMaker Model Dashboard para encontrar modelos que violam os limites definidos para qualidade de dados, qualidade do modelo, viés e explicabilidade. Para obter mais informações, consulte Use a governança para gerenciar permissões e acompanhar o desempenho do modelo na documentação da Amazon SageMaker AI.
