Réseaux de neurones - Prédire les ventes futures avec l'apprentissage profond

La prévision est un domaine d'intérêt pour les organisations. Prendre des observations passées et utiliser ces observations pour prédire les résultats futurs a de nombreuses applications pratiques, notamment de meilleures décisions prises par les décideurs. Les organisations utilisent souvent des prévisions de ventes pour les aider dans la planification stratégique, utilisant des projections pour mieux planifier l'avenir, augmenter la productivité et changer de cap lorsque cela est nécessaire. Un autre exemple notable de prévision est les prévisions météorologiques que nous utilisons tous quotidiennement.

L'analyse des séries temporelles est un domaine général qui vise à faire des prédictions à partir de données de séries temporelles en utilisant une série de points indexés dans le temps. Traditionnellement, les tâches de prévision des ventes utilisaient des modèles de régression linéaire simples issus du domaine des statistiques et, plus récemment, des modèles de forêt aléatoire développés dans le domaine de l'apprentissage automatique. Les techniques d'intelligence artificielle sont plus précises dans certaines situations, notamment lorsque la fonction manque de linéarité.

Cette étude de cas explore l'utilisation d'une approche d'intelligence artificielle à mémoire à long terme et à court terme (LTSM) pour la prévision des ventes. Nous démontrons comment les valeurs prédites correspondent de très près aux valeurs réelles. Les LTSM ont également été utilisés avec succès dans d'autres domaines tels que le traitement du langage naturel.

Résoudre le problème via l'apprentissage profond AI LTSM

Généralement, lors de la visualisation d'une série temporelle, il est souvent facile de discerner un modèle et de voir ce modèle se répéter avec de légères variations. Ce qui est souvent bien plus difficile, c'est de trouver un modèle qui correspond précisément à un tel schéma ; le défi se complique davantage lorsque l'on considère les circonstances en perpétuelle évolution qui sous-tendent les futurs points de données. Le LTSM s'est avéré performant dans ce domaine en offrant une solution proche d'une approche générique au problème de la prévision.

Les méthodes probabilistes et statistiques tentent d'utiliser des distributions de probabilités telles que la distribution normale ou des fonctions mathématiques telles que des équations linéaires ou paraboliques pour ajuster un ensemble de points de données. En général, ces approches peuvent bien fonctionner si les données s'alignent étroitement avec la fonction modélisée. Cependant, ces méthodes nécessitent une analyse experte, constituent un processus assez manuel et sont difficiles à mettre en œuvre en pratique à grande échelle compte tenu du degré de spécialisation nécessaire. Des méthodes d'apprentissage automatique telles que Random Forest ont également été proposées. Une série d'arbres de décision est construite à l'aide de séquences pseudo-aléatoires ; une prédiction est effectuée en évaluant chaque prédiction ultérieure d'une série d'arbres.

Il a été prouvé que Random Forest fonctionne bien et évite le surapprentissage, bien que l'approche ne soit pas efficacement adaptable pour faire des prédictions à mesure que les jeux de données deviennent volumineux et complexes. Ainsi, il est difficile à mettre en œuvre dans des contextes pratiques pour tous les problèmes, à l'exception d'un sous-ensemble de problèmes avec des jeux de données très limités.

Le LTSM surmonte les limites des approches précédentes en entraînant une variante de réseau de neurones conçue pour s'entraîner séquentiellement à chaque pas de temps et modéliser les données directement. Il y parvient via une série de portes : portes d'entrée, de sortie et d'oubli. Les valeurs sont mémorisées à chaque pas de temps, et la porte régule le flux d'informations entre les états. Essentiellement, le réseau s'entraîne sur la fonction des données, permettant à l'IA de capturer des relations complexes. Considérez l'exemple ci-dessous, la ligne verte représente les données réelles et la ligne rouge représente les données prévues via LTSM, on peut voir que la prévision est très proche de la prédiction des valeurs réelles.

Rapport des ventes

Aperçu du défi organisationnel

La prise de décision est un processus organisationnel continu qui nécessite généralement de prendre en compte les orientations futures. Les décideurs stratégiques peuvent examiner la direction du marché, tandis que les décideurs opérationnels peuvent prendre en compte l'offre et la demande pour garantir la fourniture de services.

Les organisations, en particulier à mesure que leur taille augmente, sont confrontées à de nombreux défis en matière de préparation des données et de collecte de données pour une utilisation dans de telles analyses, compte tenu des vastes quantités de données. Nous en avons longuement discuté dans notre Article « Preparing Organisational Data for Use in AI » (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) Quel que soit le type de décision, des données de haute qualité contribuent à orienter de meilleures décisions. L'avenir est toujours une considération dans la prise de décision. Il est souvent plus facile de déterminer l'environnement actuel d'une organisation ; se projeter dans l'avenir devient plus complexe. Les méthodes typiques comprennent l'analyse des tendances actuelles et le retour à la même période d'une année précédente pour déterminer ce qui va se passer, identifier les innovations à venir et déduire logiquement comment le paysage va évoluer. Une analyse minutieuse de ces points de données peut s'avérer très précise.

En supposant que les données sont préparées et prêtes à être analysées, la prévision est un domaine complexe qui nécessite des fonctionnalités d'analyse de données intégrées au sein de l'organisation pour produire des rapports précis et prévisibles qui s'alignent étroitement sur les références actuelles. De plus en plus de solutions deviennent disponibles pour aider à accomplir cette fonction, bien que beaucoup nécessitent encore des compétences en programmation. Des outils tels que Microsoft Excel peuvent effectuer de nombreuses méthodes statistiques via une interface de type pointer-cliquer, bien que les moyens d'utiliser l'apprentissage automatique et l'intelligence artificielle ne soient généralement pas disponibles.

Un autre problème auquel sont confrontées les organisations est la procéduralisation et la production de la génération de prévisions pour qu'elles fassent partie des opérations quotidiennes d'une organisation. Une grande partie de ces prévisions produites dans l'état actuel de l'industrie se fait via une analyse statique ad hoc. Bien que les prévisions elles-mêmes aient tendance à être précises, leur obtention dépend fortement de l'équipe d'individus chargée de les élaborer. La documentation et les guides étape par étape sont des méthodes possibles qui peuvent aider et permettre la continuité lorsque les individus et les groupes passent à d'autres domaines. Cependant, cela ne répond pas entièrement aux compétences requises pour exécuter de tels processus.

L'intégration des processus de prévision et d'analyse des données dans les systèmes informatiques est une étape clé pour permettre aux organisations de faire mûrir leur stratégie de données. Compte tenu de la complexité de l'intelligence artificielle en tant que domaine et dans l'exécution de tâches nécessitant son utilisation, les organisations devront s'adapter pour permettre une telle capacité. La prévision est un domaine qui, avec le temps, s'appuiera sur l'IA, et les organisations qui comptent sur des méthodes traditionnelles commenceront à se retrouver désavantagées. Telemus AI™ est équipé pour aider les organisations dans les prévisions de migration en utilisant les dernières techniques d'IA.

Données organisationnelles disponibles en tant qu'entrées ML

Les sources de données disponibles pour une utilisation dans les prévisions par l'IA sont les suivantes :

Métadonnées client provenant des systèmes CRM (c'est-à-dire Salesforce, Microsoft CRM).
Horodatages et montants des transactions (c.-à-d. systèmes de point de vente, Stripe, PayPal).
Systèmes de gestion des stocks.

Méthodologie d'intégration

Voici un aperçu du processus que nous effectuerions à un niveau élevé pour analyser de tels flux au sein d'une organisation :

Extraire les données de vente des systèmes sources tels que Salesforce, Stripe, ou les transactions bancaires brutes.
Visualisez et validez les données pour vous assurer qu'elles sont correctes et exemptes d'erreurs.
Faites passer les données d'entraînement à travers une IA LTSM puis évaluez-les à l'aide de données de test, assurez-vous que la prévision semble précise via des techniques de visualisation et calculez l'erreur standard.
Continuez à mettre à jour les prévisions au fil du temps pour prendre en compte les points de données actuels et réels.
Produire un rapport présentant les prévisions et le communiquer à l'ensemble de l'organisation, en particulier aux décideurs clés.

Étant donné que Telemus AI™ dispose de prévisions activées par l'IA avancées prêtes à l'emploi, votre organisation peut se concentrer sur la logique métier plutôt que sur la mise en œuvre technique.

Applications organisationnelles

La liste suivante présente les applications potentielles pour votre organisation :

Prévision des ventes et identification des modèles et des tendances.
Ajustement de la stratégie de vente en fonction des prévisions pour améliorer les résultats.
Gestion de la chaîne d'approvisionnement pour assurer une gestion efficace des produits.
Prédire le taux de rotation des employés.

Avantages potentiels et réalisés

La capacité de prédiction confère aux organisations d'énormes avantages dans la planification de l'avenir, permettant aux opérations de fonctionner plus efficacement ; elle procure également un atout aux entreprises qui se disputent des parts de marché. Une grande partie de ces avantages est déjà réalisée aujourd'hui grâce aux techniques existantes, et la prévision n'est en aucun cas nouvelle.

Bien que les méthodes basées sur l'Intelligence Artificielle comme LTSM soient intrinsèquement plus complexes que les méthodes statistiques dans leur fonctionnement, leur implémentation pour la résolution de problèmes pratiques est l'endroit où elles apportent des avantages considérables, car elles peuvent s'adapter à de nombreux jeux de données sans l'analyse et la modélisation complexes généralement requises par les méthodes statistiques traditionnelles, et elles passent également à l'échelle plus efficacement contrairement aux modèles d'apprentissage automatique précédemment proposés. Ainsi, les organisations peuvent prévoir et prédire bien plus de scénarios qu'elles n'auraient eu les ressources pour le faire dans des configurations antérieures.

Telemus AI™ est une entreprise d'intelligence artificielle basée en Australie, fournissant des solutions avancées aux gouvernements et aux entreprises. Contactez-nous dès aujourd'hui pour une consultation gratuite sur la façon dont Telemus AI™ peut être intégré à votre organisation.

Références

[1] - Prédiction des ventes - Barış Karaman

Étiquettes