Нейронные сети - Прогнозирование будущих продаж с помощью глубокого обучения

Прогнозирование представляет собой область интереса для организаций. Использование прошлых наблюдений для предсказания будущих результатов имеет множество практических применений, включая принятие более эффективных решений лицами, принимающими решения. Организации часто используют прогнозы продаж для помощи в стратегическом планировании, применяя проекции для лучшего планирования будущего, повышения производительности и изменения курса при необходимости. Еще одним заметным примером прогноза являются предсказания погоды, которыми мы все пользуемся ежедневно.

Анализ временных рядов — это общая область, целью которой является составление прогнозов на основе данных временных рядов с использованием серии точек, индексированных по времени. Традиционно для задач прогнозирования продаж использовались простые модели линейной регрессии из области статистики, а в последнее время — модели случайного леса, разработанные в области машинного обучения. Методы искусственного интеллекта более точны в определенных ситуациях, особенно когда функция не обладает линейностью.

В этом примере из практики рассматривается использование подхода искусственного интеллекта с долгосрочной и краткосрочной памятью (LTSM) для прогнозирования продаж. Мы демонстрируем, насколько близко предсказанные значения соответствуют фактическим значениям. LTSM также успешно использовались в других областях, таких как обработка естественного языка.

Решение проблемы с помощью AI LTSM Deep Learning

Обычно при визуализации временного ряда часто легко увидеть закономерность и то, как такая закономерность продолжает повторяться с небольшими вариациями. Гораздо сложнее найти модель, которая точно соответствует такой закономерности; задача усложняется еще больше, если учесть постоянно меняющиеся обстоятельства, лежащие в основе будущих точек данных. Доказано, что LTSM хорошо работает в этой области, предоставляя решение, близкое к универсальному, для проблемы прогнозирования.

Вероятностные и статистические методы пытаются использовать распределения вероятностей, такие как нормальное распределение, или математические функции, такие как линейные или параболические уравнения, для аппроксимации набора точек данных. Как правило, эти подходы могут хорошо работать, если данные тесно соответствуют моделируемой функции. Однако эти методы требуют экспертного анализа, являются довольно трудоемким процессом и их трудно реализовать на практике в широких масштабах из-за необходимого уровня специализации. Также были предложены методы машинного обучения, такие как Random Forest. Серия деревьев решений строится с использованием псевдослучайных последовательностей; прогноз делается путем оценки каждого последующего прогноза из серии деревьев.

Случайный лес (Random Forest) показал свою эффективность и позволяет избежать переобучения, хотя этот подход не масштабируется эффективно при составлении прогнозов, когда наборы данных становятся большими и сложными. Таким образом, его сложно реализовать на практике для всех задач, кроме подмножества проблем с очень ограниченными наборами данных.

LTSM преодолевает ограничения предыдущих подходов путем обучения варианта нейронной сети, разработанного для последовательного обучения на каждом временном шаге и прямого моделирования данных. Это достигается с помощью серии вентилей: входного, выходного и вентиля забывания. Значения запоминаются на каждом временном шаге, а вентиль регулирует поток информации между состояниями. По сути, сеть обучается на функции данных, что позволяет AI улавливать сложные взаимосвязи. Рассмотрим пример ниже: зеленая линия представляет фактические данные, а красная линия представляет прогнозируемые данные с помощью LTSM; видно, что прогноз очень близок к предсказанию фактических значений.

Отчет о продажах

Обзор организационной проблемы

Принятие решений — это непрерывный организационный процесс, который обычно требует учета будущих направлений. Стратегические лица, принимающие решения, могут учитывать тенденции развития рынка, в то время как операционные лица, принимающие решения, могут учитывать спрос и предложение для обеспечения предоставления услуг.

Организации, особенно по мере увеличения их размера, сталкиваются с множеством проблем подготовки данных и их сопоставления для использования в таком анализе, учитывая огромные объемы данных. Мы подробно обсуждали это в нашей статье «Подготовка организационных данных для использования в AI» (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) Независимо от типа решения, высококачественные данные помогают принимать более правильные решения. Учет будущего всегда является фактором при принятии решений. Часто легче определить текущую среду организации; заглянуть в будущее становится сложнее. Типичные методы включают анализ текущих тенденций и обращение к тому же периоду предыдущего года, чтобы выяснить, что произойдет, определить, какие инновации находятся на горизонте, и логически вывести, как изменится ландшафт. Тщательный анализ этих точек данных может быть весьма точным.

Если предположить, что данные подготовлены и готовы к анализу, прогнозирование — это сложная область, требующая встроенных в организацию функций аналитики данных для создания точных и предсказуемых отчетов, тесно связанных с текущими ориентирами. Появляется все больше решений, помогающих выполнять эту функцию, хотя многие из них по-прежнему требуют навыков программирования. Такие инструменты, как Microsoft Excel, могут выполнять множество статистических методов через интерфейс с point-and-click, хотя способы использования машинного обучения и искусственного интеллекта, как правило, недоступны.

Другая проблема, с которой сталкиваются организации, — это регламентация и перевод процесса генерации прогнозов в производственный режим, чтобы они стали частью ежедневных операций организации. Большая часть этих прогнозов, создаваемых в текущем состоянии отрасли, получается с помощью статического ситуативного анализа. Хотя сами прогнозы, как правило, точны, процесс их получения сильно зависит от команды специалистов, которым поручено их составление. Документация и пошаговые руководства могут быть полезными методами, обеспечивающими преемственность при переходе отдельных сотрудников и групп в другие сферы деятельности. Однако это не решает проблему необходимых навыков для запуска таких процессов полностью.

Внедрение процессов прогнозирования и аналитики данных в ИТ-системы является ключевым шагом вперед, позволяющим организациям развивать свою стратегию работы с данными. Учитывая сложность искусственного интеллекта как области и при выполнении задач, требующих применения ИИ, организациям придется адаптироваться, чтобы обеспечить такую возможность. Прогнозирование — это область, которая со временем будет опираться на AI, и организации, полагающиеся на традиционные методы, начнут обнаруживать свое отставание. Telemus AI™ оснащен для помощи организациям в прогнозировании миграции с использованием новейших методов AI.

Организационные данные, доступные в качестве ввода для ML

Источники данных, доступные для использования в прогнозировании AI, следующие:

Метаданные клиентов из систем CRM (т.е. Salesforce, Microsoft CRM).
Временные метки транзакций и суммы (т.е. системы PoS, Stripe, PayPal).
Системы управления запасами.

Методология интеграции

Ниже представлен обзор процесса, который мы выполнили бы на высоком уровне для анализа таких потоков в организации:

Извлечение данных о продажах из исходных систем, таких как Salesforce, Stripe, или необработанных банковских транзакций.
Визуализируйте и проверяйте данные, чтобы убедиться в их правильности и отсутствии ошибок.
Пропустите обучающие данные через LTSM AI, а затем оцените их с помощью тестовых данных, убедитесь в точности прогноза с помощью методов визуализации и вычислите стандартную ошибку.
Продолжайте обновлять прогноз по мере прохождения времени, чтобы учитывать текущие, фактические точки данных.
Подготовьте отчет, демонстрирующий прогноз, и доведите его до сведения всей организации, особенно ключевых лиц, принимающих решения.

Поскольку Telemus AI™ предлагает расширенное прогнозирование на базе AI, готовое к использованию сразу после установки, ваша организация может сосредоточиться на бизнес-логике, а не на технической реализации.

Организационные приложения

Ниже перечислены потенциальные области применения для вашей организации:

Прогнозирование продаж и выявление закономерностей и тенденций.
Корректировка стратегии продаж на основе прогнозов для улучшения результатов.
Управление цепочками поставок для обеспечения эффективного управления продуктами.
Прогнозирование оттока сотрудников.

Потенциальные и реализованные преимущества

Способность делать прогнозы дает организациям огромные преимущества в планировании будущего, позволяя операциям работать более эффективно; это также дает преимущество компаниям, конкурирующим за долю на рынке. Многие из этих преимуществ уже реализуются сегодня с помощью существующих методов, и прогнозирование отнюдь не является чем-то новым.

Хотя методы на основе Искусственного интеллекта, такие как LTSM, по своей сути сложнее статистических методов в том, как они работают, их внедрение для решения практических задач приносит огромную пользу, поскольку они могут обрабатывать многие наборы данных без сложного анализа и моделирования, обычно требуемого при традиционных статистических методах, а также они хорошо масштабируются в отличие от ранее предлагаемых моделей машинного обучения. Таким образом, организации могут прогнозировать и предсказывать гораздо больше сценариев, чем у них в иных условиях было бы ресурсов в предыдущих условиях.

Telemus AI™ — это австралийская компания в сфере искусственного интеллекта, предоставляющая передовые решения для государственных учреждений и предприятий. Свяжитесь с нами сегодня для бесплатной консультации о том, как Telemus AI™ может быть интегрирована в вашу организацию.

Ссылки

[1] - Прогнозирование продаж — Barış Karaman

Теги