Jak prognozować popyt magnesów neodymowych w e-sklepie?

Jak prognozować popyt na neodymium magnets za pomocą AutoML?

Najprościej, ucząc modele szeregów czasowych na poziomie SKU z cechami produktu i kalendarzem, a potem łącząc prognozy w hierarchię kategorii.

AutoML w SageMaker potrafi automatycznie wybrać algorytmy i strojenie, ale potrzebuje dobrego schematu danych. Dla każdego SKU tworzysz historię sprzedaży w interwałach dziennych lub tygodniowych. Dodajesz cechy stałe (typ, grade, rozmiar, powłoka) i zmienne w czasie (cena, promocje, dostępność, lead time, święta, dni wysyłek). AutoML uczy się sezonowości, trendów i wpływu cech. Wynikiem są prognozy punktowe i kwantylowe, które zasilają decyzje zakupowe, w tym poziom bezpieczeństwa zapasu.

Jak zbudować dataset dla magnesów neodymowych z różnych kategorii?

Potrzebny jest jeden spójny zestaw z identyfikatorem SKU, czasem, wolumenem sprzedaży i wspólną taksonomią kategorii.

Zacznij od mapy kategorii: disc, ring, block, pot, self-adhesive, screw-on, rubberised. Zbierz sprzedaż, zwroty, anulacje oraz stany magazynowe, by odróżnić prawdziwy brak popytu od braku towaru. Uzgodnij jednostki i nazwy wymiarów. Przygotuj zestaw w stylu wide long z kolumnami:

• item_id, timestamp, target_qty
• category_level_1, category_level_2
• price, promo_flag, stock_on_hand, stockout_flag, lead_time_days
• region_or_channel, shipping_threshold_flag
• holiday_flag, weekday
• static features: type, grade, coating, magnetization_direction

Usuń nienaturalne spiki po korektach magazynu lub rozdziel je jako zamówienia hurtowe. Zadbaj o pełne ciągi czasowe, także z zerami, żeby model widział pełną sezonowość.

Jak uwzględnić rozmiary i typy (disc, ring, block) w cechach modelu?

Wprowadź type jako kategorie, a wymiary jako liczby oraz ich proste pochodne.

Skuteczny zestaw cech to:

• Typ: disc, ring, block, pot, self-adhesive, screw-on.
• Wymiary bazowe: średnica zewnętrzna, średnica wewnętrzna, wysokość dla ring. Średnica i wysokość dla disc. Długość, szerokość, wysokość dla block.
• Cechy pochodne: objętość, pole powierzchni styku, stosunek grubości do średnicy, średnica efektywna (ring).
• Materiał i grade: N35, N38, N42, N52. Maksymalna temperatura pracy jako liczba.
• Powłoka: Ni+Cu+Ni, Zn, epoksyd. Flaga kontaktu z wodą lub środowiskiem zewnętrznym.
• Montaż: countersunk, 3M, pod śrubkę, gumowany.
• Tekstowe: skrócony embedding z nazwy produktu i opisu, by uchwycić słowa kluczowe zastosowań.

Takie cechy pozwalają nowym SKU „pożyczyć” wzorzec popytu od podobnych pozycji. Modele lepiej rozumieją różnice między cienkim ring a grubym block.

Jak radzić sobie z rzadkimi SKU i nowymi produktami w prognozie?

Stosuj podejście hierarchiczne i podobieństwo cech, żeby ograniczyć błąd przy małej liczbie obserwacji.

Połącz modele per SKU z poziomami wyżej, na przykład typ i kategoria. W praktyce działa:

• Pooling grupowy. Model uczy się wspólnie dla podobnych SKU, a cechy kierują indywidualną prognozą.
• Cold start z atrybutów. Nowy produkt dostaje prognozę na bazie cech i historii kategorii. Później jest szybko aktualizowany.
• Reconciliacja hierarchiczna. Prognozy SKU sumują się do kategorii i całego sklepu.
• Wykrywanie substytutów. Jeśli nowy ring kanibalizuje poprzedni, dodaj flagę zastępstwa w dacie premiery.
• Uwaga na stockout. Jeśli sprzedaż była zerowa przez brak towaru, nie ucz modelu, że popytu nie ma. Zastosuj maskowanie lub imputację.

Które metryki i metody walidacji najlepiej ocenią prognozy popytu?

Najpraktyczniejsze są WAPE lub sMAPE oraz metryki kwantylowe z pokryciem przedziałów.

Wybierz zestaw:

• WAPE i sMAPE do porównań między SKU o różnym wolumenie.
• MAE lub RMSE do oceny bezwzględnych odchyleń w sztukach.
• Pinball loss i pokrycie P50, P90, P95, aby ocenić niepewność i jakość przedziałów.
• Metryki biznesowe: odsetek dni braku towaru, rotacja zapasu, odchylenie od poziomu obsługi.

Walidację prowadź metodą backtest z rolującym początkiem. Testuj różne horyzonty, na przykład tydzień, dwa i miesiąc. Rozdziel walidację na klasy ABC i profile X, Y, Z, bo błędy w A są bardziej kosztowne niż w C.

Jak zintegrować prognozy AutoML z polityką zapasów sklepu?

Połącz prognozy kwantylowe z zasadami uzupełniania, biorąc pod uwagę lead time i cele poziomu obsługi.

Typowy schemat:

• Popyt w czasie dostawy. Sumuj prognozę z okna lead time.
• Zapasy bezpieczeństwa. Oprzyj je na różnicy między P90 a P50, zgodnie z docelowym poziomem obsługi dla klasy ABC.
• Punkt zamówienia. ROP = popyt w lead time plus zapas bezpieczeństwa.
• Ilość zamówienia. Uwzględnij minimalne partie, wielokrotności pakowania, dostępność u dostawcy.
• Polityka promocyjna i progi darmowej dostawy. Dodaj flagi podbijające popyt w koszyku.
• Substytucje. Jeśli SKU ma zamienniki, rozważ wspólną kontrolę zapasu lub logikę priorytetów.

Integracja odbywa się przez prosty interfejs. System sprzedaży pobiera prognozy raz dziennie, wylicza ROP i generuje propozycje zamówień do akceptacji.

Jak monitorować modele AutoML i planować ponowne trenowanie?

Obserwuj jakość prognoz, dane wejściowe i zmiany w asortymencie. Planuj regularne odświeżanie.

Kluczowe praktyki:

• Monitor metryk na produkcji. Śledź WAPE tygodniowo dla klas ABC.
• Drift danych. Alarmuj, gdy rozkład cech lub cen odbiega od treningu.
• Drift etykiety. Gdy realna sprzedaż systematycznie przewyższa P90 lub spada poniżej P10, to sygnał do aktualizacji.
• Kalendarz trenowania. Odśwież model po większych zmianach w ofercie, przed sezonami i po kampaniach.
• Champion–challenger. Testuj nowy model równolegle i przełączaj po potwierdzeniu poprawy.
• Rejestrowanie wersji. Przechowuj modele i funkcje cech, aby wynik był powtarzalny.

Od czego zaczniesz wdrożenie prognoz dla magnesów neodymowych?

Z mapy danych, jednego źródła prawdy i pilota na najważniejszych kategoriach disc, ring i block.

Ustal cel biznesowy, na przykład ograniczenie braków i lepsze rotacje. Zdefiniuj mierniki sukcesu. Zbuduj kontrakt danych z kolumnami, o których była mowa. Przygotuj cechy, oczyść stockouty i włącz kalendarz. Uruchom AutoML na historii sprzedaży, a prognozy P50 i P90 podłącz do polityki zapasów w jednym magazynie. Sprawdź wyniki na backteście i w krótkim pilocie. Potem rozszerz na pot, samoprzylepne i pod śrubkę oraz pozostałe magazyny.

Dobre prognozowanie nie jest celem samym w sobie. Ma pomóc klientowi dostać właściwe neodymium magnets wtedy, kiedy są potrzebne, i utrzymać zdrowy poziom zapasów. Zacznij od małego pilota, mierz efekty i iteruj. Po kilku cyklach zobaczysz, że zamówienia są spokojniejsze, a półka pełniejsza w kluczowych momentach.

Zacznij pilota prognoz AutoML dla neodymium magnets i zamień zgadywanie w planowanie już dziś.