Невронски мрежи - Предвидување идни продажби со длабоко учење

Предвидувањето е област од интерес за организациите. Земањето минати набљудувања и користењето на истите набљудувања за предвидување на идни исходи има многу практични примени, вклучувајќи подобри одлуки донесени од страна на носителите на одлуки. Организациите често користат прогнози за продажба за помош во стратешко планирање, користејќи проекции за подобро планирање на иднината, зголемување на продуктивноста и промена на правецот кога е потребно. Друг значаен пример за предвидување се временските прогнози кои сите ги користиме секојдневно.

Анализата на временски серии е општо поле кое има за цел да прави предвидувања од податоците на временски серии користејќи серија точки индексирани со време. Традиционално, задачите за предвидување на продажба користеле едноставни модели на линеарна регресија од областа на статистиката и, понекогаш, модели на случајни шуми развиени во областа на машинското учење. Техниките на вештачка интелигенција се попрецизни во одредени ситуации, особено кога на функцијата и недостасува линеарност.

Оваа студија на случај истражува користење на долготраен, краткотраен мемориски (LTSM) пристап на вештачка интелигенција за предвидување на продажбата. Демонстрираме како предвидените вредности се совпаѓаат многу блиску со вистинските вредности. LTSM исто така успешно се користени во други области како што е обработката на природен јазик.

Решавање на проблемот преку AI LTSM длабоко учење

Типично при визуелизација на временска серија, често е лесно да се забележи обрасец и таков обрасец што продолжува да се повторува со мали варијации. Она што е често многу потешко е наоѓањето на модел што точно одговара на таков обрасец; предизвикот дополнително се усложнува со разгледување на постојано променливите околности што лежат во основата на идните податочни точки. LTSM се покажа дека работи добро во оваа област во обезбедувањето на решение поблиску до генеричко за проблемот со предвидувањето.

Пробабилистичките и статистичките методи се обидуваат да користат распределби на веројатност како нормалната распределба или математички функции како линеарни или параболични равенки за да се прилагодат на множество од податочни точки. Општо земено, овие пристапи можат да работат добро ако податоците се усогласени тесно со моделираната функција. Сепак, овие методи бараат експертска анализа и прилично се рачен процес и тешко се постигнуваат во пракса на голема скала земајќи го предвид потребниот степен на специјализација. Предложени се и методи за машинско учење како Random Forest. Се гради серија на дрва на одлуки користејќи псевдо-случајни секвенци; предвидувањето се прави со евалуација на секое следно предвидување од серија дрва.

Случайната шума се покажа дека добро функционира и избегнува префилување, иако пристапот не се скалира ефикасно при правењето предвидувања како што множествата на податоци стануваат големи и сложени. Така, тешко е да се имплементира во практични услови за сите освен за подмножество проблеми со многу ограничени множества на податоци.

LTSM ги надминува ограничувањата на претходните пристапи со тренирање на варијанта на нервна мрежа дизајнирана да тренира секвенцијално за секој временски чекор и да ги моделира податоците директно. Ова го постигнува преку серија порти: влезни, излезни и порти за заборавање. Вредностите се паметат на секој временски чекор, а портата го регулира протокот на информации помеѓу состојбите. Во основа, мрежата тренира на функцијата на податоците, овозможувајќи на AI да ги фати сложените односи. Разгледајте го примерот подолу, зелената линија ги претставува вистинските податоци, а црвената линија ги претставува предвидените податоци преку LTSM, може да се види дека предвидувањето е многу блиску до предвидувањето на вистинските вредности.

Извештај за продажба

Преглед на организацискиот предизвик

Донесувањето одлуки е тековен организациски процес што типично бара разгледување на идните насоки. Стратешките носители на одлуки може да размислуваат за тоа каде се движи пазарот, додека оперативните носители на одлуки може да ги разгледуваат понудата и побарувачката за да се обезбеди испоракливост на услугите.

Организациите, особено како што се зголемува големината на организацијата, имаат бројни предизвици во подготовката на податоци и собирање на податоци за употреба во таква анализа, земајќи ги предвид огромните количини на податоци. За ова детално зборувавме во нашата статија „Подготовка на организациски податоци за употреба во AI“ (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) Без оглед на типот на одлуката, висококвалитетните податоци помагаат да се донесат подобри одлуки. Земјата предвид иднината е секогаш разгледувана при донесувањето одлуки. Често е полесно да се утврди моменталната средина на организацијата; гледањето во иднината станува посложено. Типични методи вклучуваат анализирање на тековните трендови и огледување назад кон истиот период во претходната година за да се утврди што ќе се случи, да се одредат кои иновации се на хоризонтот и логично да се заклучи како ќе се смени пејзажот. Внимателната анализа на овие точки на податоци може да биде многу точна.

Претпоставувајќи дека податоците се подготвени и подготвени за анализа, прогнозирањето е сложена област која бара функционалност за анализа на податоци вградена во организацијата за да се произведат точни и предвидливи извештаи кои тесно се усогласуваат со моменталните еталони. Сè повеќе стануваат достапни решенија кои помагаат во извршувањето на оваа функција, иако многу од нив сè уште бараат програмерски вештини. Алатки како Microsoft Excel може да извршуваат многу статистички методи преку point-and-click интерфејс, иако начини за користење на машинско учење и вештачка интелигенција генерално не се достапни.

Друг проблем со кој се соочуваат организациите е процедирализацијата и производството на генерирањето прогнози за да станат дел од секојдневните операции на организацијата. Голем дел од овие прогнози произведени во моменталната состојба на индустријата се преку статична ad-hoc анализа. Иако самите прогнози имаат тенденција да бидат точни, нивното добивање е високо зависно од тимот на лица задолжени за нивно составување. Документацијата и водичите чекор-по-чекор се можни методи кои можат да помогнат и да овозможат континуитет кога лицата и групите преминуваат во други области. Сепак, тоа не ги решава целосно потребните вештини потребни за извршување на таквите процеси.

Вградувањето на процесите за предвидување и аналитика на податоци во ИТ системите е клучен чекор напред во овозможувањето на организациите да созреат со својата стратегија за податоци. Имајќи ја предвид сложеноста на вештачката интелигенција како област и при извршувањето на задачи што бараат вештачка интелигенција, организациите ќе треба да се прилагодат за да овозможат таква можност. Предвидувањето е област што со време ќе се потпира на AI, а организациите што се потпираат на традиционални методи ќе почнат да се наоѓаат во неповолна позиција. Telemus AI™ е опремен за помош на организациите во предвидувањата за миграција користејќи ги најновите AI техники.

Организациони податоци достапни како ML влез

Извори на податоци достапни за употреба во AI предвидувања се следниве:

Метаподатоци за клиенти од CRM системи (т.е. Salesforce, Microsoft CRM).
Временски ознаки и износи на трансакции (т.е. PoS системи, Stripe, PayPal).
Системи за управување со инвентар.

Методологија за интеграција

Следниот текст е преглед на процесот што би го извршиле на високо ниво за анализа на такви извори во рамките на една организација:

Извлечи податоци за продажба од изворни системи како Salesforce, Stripe, или сурови банкарски трансакции.
Визуелизирајте и валидирајте ги податоците за да се осигурате дека се точни и без грешки.
Пуштете ги податоците за обука низ LTSM AI, а потоа оценете ги користејќи тест-податоци, осигурајте се дека прогнозата изгледа точна преку техники за визуелизација и пресметајте ја стандардната грешка.
Продолжете да го ажурирате прогнозата со текот на времето за да ги земете предвид моменталните, вистински точки на податоци.
Изработете извештај што го прикажува предвидувањето и комуницирајте го со пошироката организација, особено со клучните носители на одлуки.

Дадено дека Telemus AI™ има напредно AI-овозможено предвидување подготвено надвор од кутијата, вашата организација може да се фокусира на деловната логика отколку на техничката имплементација.

Организациски апликации

Следниот текст ги наведува потенцијалните апликации за вашата организација:

Предвидување на продажба и идентификување на шеми и трендови.
Прилагодување на стратегијата за продажба врз основа на прогнози за подобрување на резултатите.
Менаџмент на синџир на снабдување за обезбедување на ефикасен менаџмент на производите.
Предвидување на одливот на вработени.

Потенцијални и реализирани придобивки

Способноста за предвидување им дава на организациите огромни предности при планирањето за иднината, овозможувајќи операциите да работат поефикасно; исто така, обезбедува предност за бизнисите кои се натпреваруваат за пазарен удел. Многу од овие придобивки веќе се остварени денес со постоечките техники, и предвидувањето воопшто не е ново.

Иако методите базирани на вештачка интелигенција како LTSM се суштински посложени од статистичките методи во начинот на кој функционираат, нивната имплементација за употреба при решавање практични проблеми е местото кади што носат огромни придобивки бидејќи можат да се прилагодат на многу збирови на податоци без сложена анализа и моделирање што е типично потребно со традиционалните методи базирани на статистика, тие исто така се скалираат добро за разлика од претходно понудените модели за машинско учење. Така, организациите можат да предвидуваат и прогнозираат многу повеќе сценарија отколку што инаку би имале ресурси во претходните поставки.

Telemus AI™ е австралиска компанија за вештачка интелигенција која обезбедува напредни решенија за влада и претпријатија. Контактирајте со нас денес за бесплатна консултација за тоа како Telemus AI™ може да биде интегриран во вашата организација.

Референци

[1] - Предвидување на продажба - Barış Karaman

Ознаки