Невронни мрежи - Предсказване на бъдещи продажби с дълбоко учене

Прогнозирането е област от интерес за организациите. Използването на минали наблюдения за прогнозиране на бъдещи резултати има много практически приложения, включително вземане на по-добри решения от страна на лицата, вземащи решения. Организациите често използват прогнози за продажбите, за да подпомогнат стратегическото планиране, като използват проекции, за да планират по-добре бъдещето, да повишат производителността и да променят курса, когато е необходимо. Друг забележителен пример за прогноза са метеорологичните прогнози, които всички използваме ежедневно.

Анализът на времеви редове е обща област, която има за цел да прави прогнози от данни във времеви редове чрез серия от точки, индексирани във времето. Традиционно задачите за прогнозиране на продажбите са използвали прости модели на линейна регресия от областта на статистиката и, по-скоро, модели на случайна гора, разработени в областта на машинното обучение. Техниките на изкуствения интелект са по-точни в определени ситуации, особено когато функцията липсва линейност.

Това казус проучва използването на подход за изкуствен интелект с дългосрочна и краткосрочна памет (LTSM) за прогнозиране на продажбите. Ние демонстрираме как прогнозираните стойности съвпадат много близо с действителните стойности. LTSM също така са използвани успешно в други области, като например обработката на естествен език.

Решаване на проблема чрез AI LTSM дълбоко обучение

Обикновено при визуализиране на времеви ред е лесно да се види модел и такъв модел, който продължава да се повтаря с лки вариации. Това, което често е много по-трудно, е намирането на модел, който точно съответства на такъв модел; предизвикателството се усложнява допълнително, като се вземат предвид постоянно променящите се обстоятелства, които лежат в основата на бъдещите точки от данни. Доказано е, че LTSM работи добре в тази област, предоставяйки по-близо до общо решение на проблема с прогнозирането.

Вероятностните и статистическите методи се опитват да използват вероятностни разпределения като нормално разпределение или математически функции като линейни или параболични уравнения за напасване към набор от точки данни. Като цяло, тези подходи могат да работят добре, ако данните се подреждат плътно към моделираната функция. Тези методи обаче изискват експертен анализ и са доста ръчен процес, което ги прави трудни за прилагане на практика в голям мащаб, предвид необходимата степен на специализация. Предложени са също така методи за машинно обучение като Random Forest. Поредица от дървета на решенията се конструират с помощта на псевдослучайни последователности; прогноза се прави чрез оценяване на всяка последваща прогноза от поредица от дървета.

Доказано е, че Random Forest работи добре и избягва преобучаването, въпреки че подходът не се мащабира ефективно при правене на прогнози, когато наборите от данни стават големи и сложни. По този начин е трудно за внедряване в практически условия за всички освен за подмножество от проблеми с много ограничени набори от данни.

LTSM преодолява ограниченията на предишни подходи чрез обучение на вариант на невронна мрежа, предназначена да се обучава последователно за всяка времева стъпка и да моделира данните директно. Това се постига чрез поредица от порти: входни, изходни и порти за забравяне. Стойностите се запаметяват на всяка времева стъпка, а портата регулира потока от информация между състоянията. По същество мрежата се обучава върху функцията на данните, което позволява на AI да улавя сложни взаимовръзки. Разгледайте примера по-долу, зелената линия представлява реалните данни, а червената линия представлява прогнозираните данни чрез LTSM, може да се види, че прогнозата е много близка до предсказването на реалните стойности.

Доклад за продажбите

Преглед на организационното предизвикателство

Вземането на решения е непрекъснат организационен процес, който обикновено изисква обмисляне на бъдещите посоки. Стратегическите вземащи решения могат да обмислят накъде се движи пазарът, докато оперативните вземащи решения могат да обмислят търсенето и предлагането, за да осигурят възможност за предоставяне на услуги.

Организациите, особено с нарастване на размера им, са изправени пред множество предизвикателства при подготовката на данни и събирането им за използване в такъв анализ, предвид огромните количества данни. Обсъдихме това подробно в нашата статия „Подготовка на организационни данни за използване в AI“ (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) Независимо от вида на решението, висококачествените данни помагат за вземане на по-добри решения. Взимането предвид на бъдещето винаги е съображение при вземането на решения. Често е по-лесно да се определи текущата среда на една организация; погледът в бъдещето става по-сложен. Типичните методи включват анализ на текущите тенденции и връщане към същия период от предходна година, за да се установи какво ще се случи, да се определят какви иновации предстоят и логично да се изведе как ще се промени пейзажът. Внимателният анализ на тези точки от данни може да бъде много точен.

Ако приемем, че данните са подготвени и готови за анализ, прогнозирането е сложна област, която изисква функционалност за анализ на данни, вградена в организацията, за да се създадат точни и предвидими отчети, които съответстват отблизо на настоящите еталони. Все повече решения стават налични, за да помогнат за изпълнението на тази функция, въпреки че много от тях все още изискват програмни умения. Инструменти като Microsoft Excel могат да изпълняват много статистически методи чрез интерфейс с посочване и кликване, въпреки че начини за използване на машинно обучение и изкуствен интелект обикновено не са налични.

Друг проблем, пред който са изправени организациите, е процедурното и производствено оформяне на генерирането на прогнози, за да станат част от ежедневните операции на организацията. Голяма част от тези прогнози, създавани в настоящото състояние на индустрията, са чрез статичен ad-hoc анализ. Въпреки че самите прогнози обикновено са точни, достигането до тях силно зависи от екипа от лица, на които е възложено тяхното съставяне. Документацията и ръководствата стъпка по стъпка са възможни методи, които могат да помогнат и да позволят преемственост, когато отделни лица и групи преминават към други области. Това обаче не решава изцяло необходимите умения, изисквани за изпълнението на такива процеси.

Вграждането на процесите за прогнозиране и анализ на данни в ИТ системите е ключова стъпка напред в позволяването на организациите да узреят със своята стратегия за данни. Предвид сложността на изкуствения интелект като сфера и при изпълнението на задачи, които изискват използването на изкуствен интелект, организациите ще трябва да се адаптират, за да позволят такава възможност. Прогнозирането е област, която с течение на времето ще разчита на AI, и организациите, които разчитат на традиционни методи, ще започнат да откриват, че са в неизгодно положение. Telemus AI™ е оборудван да помага на организациите при прогнозите за миграция, използвайки най-новите AI техники.

Организационни данни, налични като вход за ML

Източниците на данни, достъпни за използване в AI прогнозиране, са както следва:

Метаданни за клиенти от CRM системи (т.е. Salesforce, Microsoft CRM).
Времеви марки и суми на транзакции (напр. PoS системи, Stripe, PayPal).
Системи за управление на инвентара.

Методология на интеграцията

Следното е общ преглед на процеса, който бихме изпълнили на високо ниво за анализиране на такива потоци в рамките на организация:

Извличайте данни за продажбите от изходни системи като Salesforce, Stripe или сурови банкови транзакции.
Визуализирайте и валидирайте данните, за да се уверите, че са правилни и свободни от грешки.
Пуснете обучителните данни през LTSM AI и след това ги оценете с помощта на тестови данни, уверете се, че прогнозата изглежда точна чрез техники за визуализация и изчислете стандартната грешка.
Продължете да актуализирате прогнозата с течение на времето, за да отчитате настоящите, действителни точки от данни.
Изготвяне на отчет, демонстриращ прогнозата, и комуникирането му до по-широката организация, по-специално до ключовите вземащи решения.

Тъй като Telemus AI™ разполага с разширено прогнозиране, активирано от AI и готово за използване веднага, вашата организация може да се фокусира върху бизнес логиката, а не върху техническата реализация.

Организационни приложения

Следното изброява потенциални приложения за вашата организация:

Прогнозиране на продажбите и идентифициране на модели и тенденции.
Коригиране на стратегията за продажби въз основа на прогнози за подобряване на резултатите.
Управление на веригата за доставки за осигуряване на ефективно управление на продукти.
Предсказване на текучеството на служителите.

Потенциални и реализирани ползи

Способността за прогнозиране дава на организациите огромни предимства при планирането на бъдещето, позволявайки на операциите да протичат по-ефективно; тя също така осигурява предимство за бизнеса, който се състезава за пазарен дял. Голяма част от тези ползи вече се реализират днес със съществуващите техники, и прогнозирането по никакъв начин не е ново.

Докато методите, базирани на изкуствен интелект, като LTSM, са по своей същност по-сложни от статистическите методи в начина, по който работят, тяхното внедряване за използване при решаването на практически проблеми е мястото, където носят огромни ползи, тъй като могат да се адаптират към много набори от данни без сложен анализ и моделиране, които обикновено са необходими при традиционните методи, базирани на статистика, те също така се мащабират добре, за разлика от предишно предоставените модели за машинно обучение. По този начин организациите могат да прогнозират и предвиждат много повече сценарии, отколкото биха имали ресурсите да направят в предишни условия.

Telemus AI™ е австралийска компания за изкуствен интелект, предоставяща напреднали решения на правителството и бизнеса. Свържете се с нас днес за безплатна консултация относно това как Telemus AI™ може да бъде интегрирана във вашата организация.

Препратки

[1] - Предсказване на продажбите - Barış Karaman

Тагове