Neuronové sítě - Předvídání budoucích prodejů pomocí hlubokého učení

Predikce je oblast zájmu pro organizace. Využití minulých pozorování k předpovědi budoucích výsledků má mnoho praktických aplikací, včetně lepších rozhodnutí přijímaných rozhodovacími činiteli. Organizace často využívají prognózy prodeje k asistenci při strategickém plánování, přičemž pomocí projekcí lépe plánují budoucnost, zvyšují produktivitu a mění kurz, když je to potřeba. Dalším významným příkladem predikce jsou předpovědi počasí, které všichni denně využíváme.

Analýza časových řad je obecná oblast, která si klade za cíl vytvářet předpovědi z dat časových řad pomocí řady bodů indexovaných v čase. Tradičně úkoly prognózování prodejů využívaly jednoduché modely lineární regrese z oblasti statistiky a nedávno modely náhodného lesa vyvinuté v oblasti strojového učení. Techniky umělé inteligence jsou přesnější v určitých situacích, zejména když funkci chybí linearita.

Tato případová studie zkoumá využití přístupu umělé inteligence s dlouhodobou a krátkodobou pamětí (LTSM) k prognózování prodejů. Ukazujeme, jak predikované hodnoty velmi úzce odpovídají skutečným hodnotám. LTSM byly také úspěšně využity v jiných oblastech, jako je zpracování přirozeného jazyka.

Řešení problému pomocí AI LTSM hlubokého učení

Při vizualizaci časové řady je typicky snadné vidět vzorec a jeho pokračování v opakování s mírnými variacemi. Co je mnohem obtížnější, je nalezení modelu, který přesně odpovídá takovému vzorci; výzva se dále zvyšuje zvažením neustále se měnících okolností, které leží v základu budoucích datových bodů. LTSM se v této oblasti ukázal jako dobře fungující, poskytující řešení blížící se obecnému řešení problému predikce.

Pravděpodobnostní a statistické metody se snaží využít rozdělení pravděpodobnosti, jako je normální rozdělení, nebo matematické funkce, jako jsou lineární nebo parabolické rovnice, k fitování souboru datových bodů. Obecně tyto přístupy mohou dobře fungovat, pokud data úzce odpovídají modelované funkci. Tyto metody však vyžadují expertní analýzu, jsou poměrně ručním procesem a v praxi je obtížné je realizovat v měřítku vzhledem k nezbytnému stupni specializace. Byly také navrženy metody strojového učení, jako je Random Forest. Série rozhodovacích stromů je konstruována pomocí pseudonáhodných sekvencí; predikce je provedena vyhodnocením každé následné predikce ze série stromů.

Random Forest se ukázal jako dobře fungující a zabraňuje přetrénování, ačkoli tento přístup se při tvorbě predikcí efektivně neskaluje, jakmile se datové sady stanou velkými a složitými. Proto je obtížné jej implementovat v praktických podmínkách pro všechny kromě podmnožiny problémů s velmi omezenými datovými sadami.

LTSM překonává omezení předchozích přístupů trénováním varianty neuronové sítě navržené pro sekvenční trénování v každém časovém kroku a přímé modelování dat. Toho dosahuje pomocí série bran: vstupní, výstupní a brány zapomínání. Hodnoty jsou pamatovány v každém časovém kroku a brána reguluje tok informací mezi stavy. V podstatě síť trénuje na funkci dat, což umožňuje AI zachytit složité vztahy. Zvažte níže uvedený příklad, zelená čára představuje skutečná data a červená čára představuje prognózovaná data pomocí LTSM, je vidět, že prognóza je velmi blízká predikci skutečných hodnot.

Zpráva o prodejích

Přehled organizační výzvy

Rozhodování je nepřetržitý organizační proces, který obvykle vyžaduje zvážení budoucích směrů. Strategičtí rozhodovatelé mohou zvažovat, kam se trh ubírá, zatímco operativní rozhodovatelé mohou zvažovat nabídku a poptávku pro zajištění dodavatelnosti služeb.

Organizace, zejména s rostoucí velikostí, mají vzhledem k obrovskému množství dat četné výzvy v oblasti přípravy dat a jejich shromažďování pro účely takové analýzy. Toto jsme podrobně probírali v našem článku „Příprava organizačních dat pro využití v AI“ (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html). Bez ohledu na typ rozhodnutí pomáhají vysoce kvalitní data pohánět lepší rozhodnutí. Zohlednění budoucnosti je při rozhodování vždy nutností. Současné prostředí organizace je často snazší určit; pohled do budoucnosti je složitější. Typické metody zahrnují analýzu současných trendů a zpětný pohled na stejné období v předchozím roce, aby se zjistilo, co se stane, určilo, jaké inovace se blíží, a logicky odvodilo, jak se krajina změní. Pečlivá analýza těchto datových bodů může být vysoce přesná.

Za předpokladu, že data jsou připravena a připravena k analýze, je prognózování složitou oblastí, která vyžaduje funkčnost analýzy dat zabudovanou v organizaci k vytváření přesných a předvídatelných sestav, které se úzce shodují se současnými benchmarky. Stále více řešení, která s touto funkcí pomáhají, se stává dostupnými, ačkoli mnohé z nich stále vyžadují programátorské dovednosti. Nástroje jako Microsoft Excel dokážou pomocí rozhraní založeného na ukazování a klikání provádět mnoho statistických metod, ačkoli způsoby využití strojového učení a umělé inteligence nejsou obecně dostupné.

Dalším problémem, kterému čelí organizace, je zavedení procedur a produkce generování prognóz, aby se staly součástí každodenního provozu organizace. Většina těchto prognóz vytvořených v současném stavu odvětví vzniká prostřednictvím statické ad hoc analýzy. Přestože samotné prognózy bývají přesné, jejich dosažení je vysoce závislé na týmu jednotlivců, kteří jsou pověřeni jejich sestavením. Dokumentace a podrobné návody krok za krokem jsou možné metody, které mohou pomoci a umožnit kontinuitu, když jednotlivci a skupiny přecházejí do jiných oblastí. To však zcela neřeší požadované dovednosti potřebné k provozování takových procesů.

Zahrnutí procesů prognózování a analýzy dat do IT systémů je klíčovým krokem vpřed, který organizacím umožní dozrát v jejich datové strategii. Vzhledem ke složitosti umělé inteligence jako oboru a při plnění úkolů, které vyžadují použití umělé inteligence, se organizace budou muset adaptovat, aby takovou schopnost umožnily. Prognózování je oblast, která bude časem spoléhat na AI, a organizace spoléhající se na tradiční metody se začnou dostávat do nevýhody. Telemus AI™ je vybaven tak, aby organizacím pomohl při prognózách migrace pomocí nejnovějších technik AI.

Organizační data dostupná jako vstup pro ML

Zdroje dat dostupné pro použití v AI prognózování jsou následující:

Metadata zákazníků ze systémů CRM (tj. Salesforce, Microsoft CRM).
Časové značky a částky transakcí (tj. PoS systémy, Stripe, PayPal).
Systémy pro správu zásob.

Metodologie integrace

Následuje přehled procesu, který bychom na vysoké úrovni provedli pro analýzu takových kanálů v rámci organizace:

Extrahujte prodejní data ze zdrojových systémů, jako jsou Salesforce, Stripe, nebo surové bankovní transakce.
Vizualizace a validace dat pro zajištění jejich správnosti a absence chyb.
Proveďte trénovací data přes LTSM AI a poté je vyhodnoťte pomocí testovacích dat, zajistěte, aby se prognóza jevila přesnou pomocí vizualizačních technik, a vypočítejte standardní chybu.
Při uplynutí času průběžně aktualizujte prognózu, abyste zohlednili současné, skutečné datové body.
Vytvořte zprávu demonstrující prognózu a sdělte ji širší organizaci, zejména klíčovým rozhodovacím osobám.

Vzhledem k tomu, že Telemus AI™ má pokročilé prognózování poháněné AI připravené k použití ihned po vybalení, se vaše organizace může soustředit na obchodní logiku spíše než na technickou implementaci.

Organizační aplikace

Následující uvádí potenciální aplikace pro vaši organizaci:

Predikce prodeje a identifikace vzorů a trendů.
Úprava prodejní strategie na základě prognóz za účelem zlepšení výsledků.
Řízení dodavatelského řetězce pro zajištění efektivní správy produktů.
Predikce fluktuace zaměstnanců.

Potenciální a realizované přínosy

Schopnost predikce dává organizacím obrovskou výhodu při plánování budoucnosti a umožňuje efektivnější průběh operací; také poskytuje výhodu podnikům, které soupeří o podíl na trhu. Mnoho z těchto výhod je již dnes využíváno pomocí existujících technik a prognózování rozhodně není novinkou.

Zatímco metody založené na umělé inteligenci, jako je LTSM, jsou ve svém fungování ze své podstaty složitější než statistické metody, jejich implementace pro řešení praktických problémů přináší obrovské výhody, protože se dokážou přizpůsobit mnoha datovým sadám bez složité analýzy a modelování, které je obvykle vyžadováno u tradičních metod založených na statistice, a také se dobře škálují na rozdíl od dříve poskytovaných modelů strojového učení. Organizace tak mohou předvídat a predikovat mnohem více scénářů, než by měly prostředky v předchozích nastaveních.

Telemus AI™ je australská společnost zabývající se umělou inteligencí, která poskytuje pokročilá řešení pro vládu a podniky. Kontaktujte nás ještě dnes pro bezplatnou konzultaci o tom, jak může být Telemus AI™ integrována do vaší organizace.

Reference

[1] - Predikce prodeje - Barış Karaman

Štítky