Neuronale Netze - Vorhersage zukünftiger Verkäufe mit Deep Learning

Prognostizierung ist ein Interessengebiet für Organisationen. Die Verwendung vergangener Beobachtungen zur Vorhersage zukünftiger Ergebnisse hat viele praktische Anwendungen, darunter bessere Entscheidungen der Entscheidungsträger. Organisationen nutzen häufig Verkaufsprognosen zur Unterstützung der strategischen Planung, verwenden Projektionen zur besseren Zukunftsplanung, steigern die Produktivität und ändern bei Bedarf den Kurs. Ein weiteres bemerkenswertes Beispiel für eine Prognose sind Wettervorhersagen, die wir alle täglich nutzen.

Zeitreihenanalyse ist ein allgemeines Feld, das darauf abzielt, anhand einer Reihe zeitindexierter Punkte Vorhersagen aus Zeitreihendaten zu treffen. Traditionell haben Umsatzprognoseaufgaben einfache lineare Regressionsmodelle aus dem Bereich der Statistik verwendet und in jüngerer Zeit Random-Forest-Modelle, die im Bereich des maschinellen Lernens entwickelt wurden. Techniken der Künstlichen Intelligenz sind in bestimmten Situationen genauer, insbesondere wenn die Funktion keine Linearität aufweist.

Diese Fallstudie untersucht die Verwendung eines Künstliche-Intelligenz-Ansatzes mit langem und kurzem Gedächtnis (LTSM) für die Umsatzprognose. Wir zeigen, wie die vorhergesagten Werte sehr nah an den tatsächlichen Werten liegen. LTSMs wurden auch in anderen Bereichen wie der natürlichen Sprachverarbeitung erfolgreich eingesetzt.

Lösung des Problems durch AI LTSM Deep Learning

Bei der Visualisierung einer Zeitreihe ist es typischerweise oft einfach, ein Muster zu erkennen, das sich mit leichten Variationen fortlaufend wiederholt. Weitaus schwieriger ist es hingegen meist, ein Modell zu finden, das ein solches Muster präzise abbildet; die Herausforderung wächst weiter, wenn man die sich stetig verändernden Umstände berücksichtigt, die zukünftigen Datenpunkten zugrunde liegen. LTSM hat sich in diesem Bereich bewährt, indem es eine Lösung bietet, die näher an einem generischen Ansatz für das Problem der Vorhersage liegt.

Probabilistische und statistische Methoden versuchen, Wahrscheinlichkeitsverteilungen wie die Normalverteilung oder mathematische Funktionen wie lineare oder parabolische Gleichungen zu verwenden, um einen Satz von Datenpunkten anzupassen. Im Allgemeinen können diese Ansätze gut funktionieren, wenn die Daten eng mit der modellierten Funktion übereinstimmen. Diese Methoden erfordern jedoch eine Expertenanalyse, sind recht manuelle Prozesse und in der Praxis schwer im großen Maßstab umzusetzen, da der erforderliche Spezialisierungsgrad hoch ist. Es wurden auch Machine-Learning-Methoden wie Random Forest vorgeschlagen. Eine Reihe von Entscheidungsbäumen wird mit pseudo-zufälligen Sequenzen erstellt; eine Vorhersage wird durch die Auswertung jeder nachfolgenden Vorhersage aus einer Reihe von Bäumen getroffen.

Random Forest hat sich als gut funktionierend erwiesen und vermeidet Überanpassung, obwohl der Ansatz bei der Vorhersageerstellung nicht effizient skaliert, wenn Datensätze groß und komplex werden. Daher ist er in praktischen Umgebungen für alle bis auf eine Teilmenge von Problemen mit sehr begrenzten Datensätzen schwer zu implementieren.

LTSM überwindet die Einschränkungen früherer Ansätze, indem eine Variante eines neuronalen Netzes trainiert wird, die für jeden Zeitschritt sequenziell trainiert und die Daten direkt modelliert. Dies wird durch eine Reihe von Gates erreicht: Eingangs-, Ausgangs- und Vergessens-Gates. Werte werden an jedem Zeitschritt gespeichert, und das Gate reguliert den Informationsfluss zwischen Zuständen. Im Wesentlichen trainiert das Netzwerk auf der Funktion der Daten, wodurch die AI komplexe Zusammenhänge erfassen kann. Betrachten Sie das folgende Beispiel: Die grüne Linie stellt die tatsächlichen Daten dar und die rote Linie stellt die über LTSM prognostizierten Daten dar. Es ist erkennbar, dass die Vorhersage den tatsächlichen Werten sehr nahe kommt.

Verkaufsbericht

Überblick über die organisatorische Herausforderung

Die Entscheidungsfindung ist ein fortlaufender organisatorischer Prozess, der in der Regel die Berücksichtigung zukünftiger Richtungen erfordert. Strategische Entscheidungsträger könnten berücksichtigen, wohin sich der Markt bewegt, während operative Entscheidungsträger Angebot und Nachfrage berücksichtigen könnten, um die Serviceerbringung sicherzustellen.

Organisationen, insbesondere wenn die Größe einer Organisation zunimmt, haben zahlreiche Herausforderungen bei der Datenvorbereitung und der Zusammenstellung von Daten für die Verwendung in solchen Analysen, angesichts der riesigen Datenmengen. Wir haben dies ausführlich in unserem Artikel „Vorbereitung organisatorischer Daten für die Verwendung in AI“ (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) erörtert. Unabhängig von der Art der Entscheidung tragen hochwertige Daten zu besseren Entscheidungen bei. Die Berücksichtigung der Zukunft ist bei der Entscheidungsfindung immer ein Aspekt. Es ist oft einfacher, die aktuelle Umgebung einer Organisation zu bestimmen; ein Blick in die Zukunft wird komplexer. Typische Methoden umfassen die Analyse aktueller Trends und den Rückblick auf den gleichen Zeitraum des Vorjahres, um festzustellen, was passieren wird, zu bestimmen, welche Innovationen bevorstehen, und logisch abzuleiten, wie sich die Landschaft verändern wird. Eine sorgfältige Analyse dieser Datenpunkte kann sehr genau sein.

Vorausgesetzt, die Daten sind für die Analyse vorbereitet und bereit, ist die Prognose ein komplexer Bereich, der eine in die Organisation eingebettete Datenanalysefunktionalität erfordert, um genaue und vorhersehbare Berichte zu erstellen, die eng mit aktuellen Benchmarks übereinstimmen. Es stehen zunehmend mehr Lösungen zur Verfügung, die bei der Ausführung dieser Funktion helfen, obwohl viele noch Programmierkenntnisse erfordern. Tools wie Microsoft Excel können viele statistische Methoden über eine Point-and-Click-Oberfläche ausführen, obwohl Möglichkeiten zur Nutzung von maschinellem Lernen und Künstlicher Intelligenz im Allgemeinen nicht verfügbar sind.

Ein weiteres Problem, mit dem Organisationen konfrontiert sind, ist die Prozeduralisierung und Produktivierung der Prognoseerstellung, um diese in die täglichen Abläufe einer Organisation zu integrieren. Ein Großteil dieser Prognosen, die im aktuellen Zustand der Branche erstellt werden, erfolgt durch statische Ad-hoc-Analysen. Während die Prognosen selbst tendenziell genau sind, hängt ihre Erstellung stark von dem Team ab, das mit ihrer Zusammenstellung betraut ist. Dokumentation und Schritt-für-Schritt-Anleitungen sind mögliche Methoden, die helfen und Kontinuität gewährleisten können, wenn Einzelpersonen und Gruppen in andere Bereiche wechseln. Dies behebt jedoch nicht vollständig die erforderlichen Fähigkeiten zur Durchführung solcher Prozesse.

Die Einbettung der Datenprognose- und Analyseprozesse in die IT-Systeme ist ein wichtiger Schritt nach vorn, um es Organisationen zu ermöglichen, mit ihrer Datenstrategie zu reifen. Angesichts der Komplexität der Künstlichen Intelligenz als Fachgebiet und bei der Ausführung von Aufgaben, die den Einsatz Künstlicher Intelligenz erfordern, müssen sich Organisationen anpassen, um eine solche Fähigkeit zuzulassen. Prognosen sind ein Bereich, der mit der Zeit auf KI angewiesen sein wird, und Organisationen, die sich auf traditionelle Methoden verlassen, werden beginnen, sich im Nachteil zu befinden. Telemus AI™ ist darauf ausgelegt, Organisationen bei Migrationsprognosen unter Verwendung der neuesten KI-Techniken zu unterstützen.

Als ML-Eingabe verfügbare organisatorische Daten

Für die Verwendung in KI-Prognosen verfügbare Datenquellen sind folgende:

Kunden-Metadaten aus CRM-Systemen (z. B. Salesforce, Microsoft CRM).
Transaktionszeitstempel und -beträge (z. B. PoS-Systeme, Stripe, PayPal).
Bestandsverwaltungssysteme.

Integrationsmethodik

Im Folgenden finden Sie einen Überblick über den Prozess, den wir auf einer hohen Ebene durchführen würden, um solche Feeds innerhalb einer Organisation zu analysieren:

Extrahieren Sie Verkaufsdaten aus Quellsystemen wie Salesforce, Stripe oder rohen Banktransaktionen.
Visualisieren und validieren Sie die Daten, um sicherzustellen, dass sie korrekt und frei von Fehlern sind.
Führen Sie die Trainingsdaten durch eine LTSM-AI und evaluieren Sie sie anschließend mit Testdaten, stellen Sie sicher, dass die Vorhersage durch Visualisierungstechniken korrekt erscheint, und berechnen Sie den Standardfehler.
Aktualisieren Sie die Prognose weiterhin im Zeitverlauf, um aktuelle, tatsächliche Datenpunkte zu berücksichtigen.
Erstellen Sie einen Bericht, der die Prognose darstellt, und kommunizieren Sie diesen an die breitere Organisation, insbesondere an wichtige Entscheidungsträger.

Da Telemus AI™ über eine fortschrittliche KI-gestützte Prognose verfügt, die sofort einsatzbereit ist, kann sich Ihre Organisation auf die Geschäftslogik konzentrieren statt auf die technische Implementierung.

Organisatorische Anwendungen

Die folgende Liste zeigt potenzielle Anwendungen für Ihre Organisation:

Prognostizieren von Verkäufen und Identifizieren von Mustern und Trends.
Anpassung der Vertriebsstrategie auf Basis von Prognosen zur Verbesserung der Ergebnisse.
Lieferkettenmanagement zur Gewährleistung eines effizienten Managements von Produkten.
Vorhersage der Mitarbeiterabwanderung.

Potenzielle und realisierte Vorteile

Die Fähigkeit zur Vorhersage bietet Organisationen enorme Vorteile bei der Planung der Zukunft und ermöglicht einen effizienteren Betrieb; sie bietet auch einen Vorsprung für Unternehmen, die um Marktanteile konkurrieren. Viele dieser Vorteile werden heute bereits mit bestehenden Techniken realisiert, und Prognosen sind keineswegs neu.

Während KI-basierte Methoden wie LTSM in ihrer Funktionsweise von Natur aus komplexer sind als statistische Methoden, liegt ihr enormer Nutzen bei der Implementierung zur Lösung praktischer Probleme darin, dass sie an viele Datensätze angepasst werden können, ohne die komplexe Analyse und Modellierung, die bei traditionellen statistikbasierten Methoden üblicherweise erforderlich ist. Zudem skalieren sie im Gegensatz zu zuvor bereitgestellten Machine-Learning-Modellen gut. So können Organisationen weitaus mehr Szenarien prognostizieren und vorhersagen, als ihnen in früheren Umgebungen die Ressourcen dafür erlaubt hätten.

Telemus AI™ ist ein australisches Unternehmen für künstliche Intelligenz, das fortschrittliche Lösungen für Regierung und Unternehmen bietet. Kontaktieren Sie uns noch heute für eine kostenlose Beratung, wie Telemus AI™ in Ihre Organisation integriert werden kann.

Referenzen

[1] - Umsatzvorhersage - Barış Karaman