Neural Networks - Paghihinuha ng Future Sales gamit ang Deep Learning

Ang pag-forecast ay isang lugar ng interes para sa mga organisasyon. Ang pagkuha ng mga nakaraang obserbasyon at paggamit ng mga nasabing obserbasyon upang hulaan ang mga resulta sa hinaharap ay maraming praktikal na aplikasyon, kabilang ang mas mabuting mga desisyon na ginawa ng mga decision-maker. Madalas ginagamit ng mga organisasyon ang mga sales forecast upang tumulong sa strategic planning, gamit ang mga projection upang mas mabuting magplano para sa hinaharap, palakasin ang produktibidad, at baguhin ang kurso kapag kinakailangan. Ang isa pang kilalang halimbawa ng forecast ay ang mga hula ng Panahon na lahat tayo ay ginagamit araw-araw.

Ang pagsusuri ng time-series ay isang pangkalahatang larangan na naglalayong gumawa ng mga prediksyon mula sa data ng time-series gamit ang isang serye ng mga time-indexed na puntos. Sa tradisyon, ang mga gawain ng pagtataya ng benta ay gumamit ng mga simpleng linear regression model mula sa larangan ng estadistika at, mas kamakailan, mga random forest model na binuo sa larangan ng machine learning. Ang mga pamamaraan ng artificial intelligence ay mas tumpak sa ilang mga sitwasyon, lalo na kapag kulang ang function ng linearity.

Tinutuklasan ng case study na ito ang paggamit ng isang long-term, short-term memory (LTSM) artificial intelligence na diskarte sa sales forecasting. Ipapakita namin kung paano ang mga hula na halaga ay tumutugma nang napakalapit sa aktwal na halaga. Ang mga LTSM ay ginamit din nang matagumpay sa iba pang mga lugar tulad ng natural language processing.

Paglutas ng Problema sa pamamagitan ng AI LTSM Deep Learning

Karaniwan kapag nagvi-visualize ng time series, madalas madaling makita ang isang pattern at ang patuloy na pag-uulit ng ganitong pattern na may kaunting pagkakaiba. Ang kadalasang mas mahirap ay ang paghahanap ng modelo na tumpak na akma sa ganitong pattern; mas lumalala ang hamon kapag isinama ang mga patuloy na nagbabagong kalagayan na nasa ilalim ng mga future data point. Napatunayang gumagana nang maayos ang LTSM sa larangang ito sa pagbibigay ng solusyon na mas malapit sa generic sa problema ng forecasting.

Ang mga probabilistic at statistical na pamamaraan ay sumusubok na gamitin ang mga probability distribution tulad ng normal distribution o mga mathematical function tulad ng linear o parabolic equations upang i-fit ang isang set ng data points. Sa pangkalahatan, ang mga pamaratang ito ay maaaring gumana nang maayos kung ang data ay tumutugma nang malapit sa modelled function. Gayunpaman, ang mga pamamaraang ito ay nangangailangan ng expert analysis at isang medyo manual na proseso at mahirap gawin sa praktika sa malaking sukat dahil sa kinakailangang antas ng specialisation. Ang mga pamamaraan ng machine learning tulad ng Random Forest ay iminungkahi rin. Ang isang serye ng decision trees ay ginawa gamit ang mga pseudo-random sequences; ang isang prediction ay ginawa sa pamamagitan ng pagsusuri ng bawat kasunod na prediction mula sa isang serye ng mga puno.

Napapatunayan na ang Random Forest ay gumagana nang maayos at nag-iwas sa overfitting, bagama't hindi mahusay na nag-scale ang pamamaraan sa paggawa ng mga hula kapag naging malaki at komplikado ang mga dataset. Kaya't, mahirap ipatupad sa mga praktikal na setting para sa lahat maliban sa isang subset ng mga problema na may napakalimitadong mga dataset.

Tinutugunan ng LTSM ang mga limitasyon ng mga naunang pamamaraan sa pamamagitan ng pagsasanay sa isang variant ng neural network na dinisenyo upang magsanay nang sunod-sunod para sa bawat timestep at imodelo ang data nang direkta. Nakakamit ito sa pamamagitan ng isang serye ng mga gate: input, output, at forget gates. Ang mga halaga ay naalala sa bawat timestep, at ang gate ay nagreregula ng daloy ng impormasyon sa pagitan ng mga estado. Sa pangkalahatan, ang network ay nagsasanay sa function ng data na nagpapahintulot sa AI na mahuli ang mga kumplikadong relasyon. Isaalang-alang ang halimbawa sa ibaba, ang berdeng linya ay kumakatawan sa aktwal na data at ang pulang linya ay kumakatawan sa nai-forecast na data sa pamamagitan ng LTSM, makikita na ang forecast ay napakalapit sa paghula sa mga aktwal na halaga.

Ulat ng Benta

Pangkalahatang-ideya ng Hamon sa Organisasyon

Ang paggawa ng desisyon ay isang patuloy na prosesong organisasyonal na karaniwang nangangailangan ng pagsasaalang-alang para sa mga hinaharap na direksyon. Ang mga strategic decision-maker ay maaaring isaalang-alang kung saan patungo ang market, habang ang mga operational decision-maker ay maaaring isaalang-alang ang supply at demand upang matiyak ang service deliverability.

Ang mga organisasyon, lalo na habang lumalaki ang sukat ng isang organisasyon, ay maraming hamon sa paghahanda ng data at pagtitipon ng data para magamit sa ganitong pagsusuri, dahil sa malaking dami ng data. Napag-usapan na namin ito nang malalim sa aming Artikulo na “Preparing Organisational Data for Use in AI” (https://telemus.ai/preparing-organisational-data-for-use-with-ai.html) Anuman ang uri ng desisyon, ang mataas na kalidad ng data ay nakakatulong na mag-udyok ng mas mabubuting desisyon. Ang pagpapalagay sa hinaharap ay laging isang pagsasaalang-alang sa paggawa ng desisyon. Madalas na mas madaling matukoy ang kasalukuyang kapaligiran ng isang organisasyon; ang pagtingin sa hinaharap ay nagiging mas kumplikado. Kasama sa mga karaniwang pamamaraan ang pagsusuri sa mga kasalukuyang uso at pagtingin pabalik sa parehong panahon sa nakaraang taon upang matukoy ang mangyayari, matukoy kung anong mga inobasyon ang malapit na, at lohikal na hinuha kung paano magbabago ang tanawin. Ang maingat na pagsusuri sa mga datapoint na ito ay maaaring napakatumpak.

Sa pagpapalagay na ang data ay naihanda at handa nang suriin, ang forecasting ay isang komplikadong lugar na nangangailangan ng data analytics functionality na naka-embed sa loob ng organisasyon upang makabuo ng tumpak at predictable na mga ulat na tumutugma nang malapit sa mga kasalukuyang benchmark. Lalong dumadami ang mga solusyon na nagiging available upang matulungan sa pagganap ng function na ito, bagama't marami pa rin ang nangangailangan ng mga kasanayan sa programming. Ang mga kasangkapan tulad ng Microsoft Excel ay maaaring magsagawa ng maraming statistical method sa pamamagitan ng point-and-click interface, bagama't ang mga paraan upang gamitin ang machine learning at artificial intelligence ay hindi pangkalahatang available.

Isa pang isyu na kinakaharap ng mga organisasyon ay ang pagproseduralisa at pagpoprodusisa ng paggawa ng mga pagtataya upang maging bahagi ng pang-araw-araw na operasyon ng isang organisasyon. Karamihan sa mga pagtatayang ito na ginagawa sa kasalukuyang estado ng industriya ay sa pamamagitan ng static na ad-hoc na pagsusuri. Bagama't ang mga pagtataya mismo ay may tendensiyang tumpak, ang pagdating sa kanila ay lubhang nakadepende sa pangkat ng mga indibidwal na nakataasang pagbuuin ang mga ito. Ang dokumentasyon at mga step-by-step na gabay ay posibleng mga pamamaraan na makakatulong at magpapahintulot ng pagpapatuloy habang ang mga indibidwal at grupo ay lumilipat sa iba pang lugar. Gayunpaman, hindi ito ganap na tumutugon sa mga kinakailangang kasanayan na kailangan upang patakbuhin ang mga prosesong ito.

Ang pagkakaroon ng mga proseso ng data forecasting at analytics na naka-embed sa loob ng mga IT system ay isang pangunahing hakbang pasulong sa pagpapahintulot sa mga organisasyon na umunlad kasama ang kanilang data strategy. Dahil sa pagiging kumplikado ng artificial intelligence bilang isang larangan at sa pagsasagawa ng mga gawain na nangangailangan ng artificial intelligence, kailangan ng mga organisasyon na mag-adapt upang magbigay-daan para sa ganitong kakayahan. Ang pag-forecast ay isang lugar na sa paglipas ng panahon, aasa sa AI, at ang mga organisasyong umaasa sa mga tradisyonal na pamamaraan ay magsisimulang makita ang kanilang sarili sa isang disadvantages. Ang Telemus AI™ ay dumarating na may kagamitan upang tulungan ang mga organisasyon sa migration forecasts gamit ang pinakabagong mga pamamaraan ng AI.

Data na Organisasyonal na Magagamit bilang Input ng ML

Ang mga pinagmulan ng data na magagamit sa AI forecasting ay ang mga sumusunod:

Customer meta-data mula sa mga CRM system (ibig sabihin, Salesforce, Microsoft CRM).
Mga timestamp at halaga ng transaksyon (i.e. PoS Systems, Stripe, PayPal).
Mga sistema ng pamamahala ng imbentaryo.

Methodology ng Integration

Ang sumusunod ay isang pangkalahatang-ideya ng proseso na isasagawa namin sa isang mataas na antas upang suriin ang mga ganitong feed sa loob ng isang organisasyon:

Hugutin ang data ng benta para sa mga source system tulad ng Salesforce, Stripe, o mga raw na transaksyon sa bangko.
I-visualise at i-validate ang data upang matiyak na ito ay tama at walang mga error.
Ipasa ang training data sa isang LTSM AI at pagkatapos ay suriin ito gamit ang test data, tiyakin na ang pagtataya ay tila tumpak sa pamamagitan ng visualisation techniques at kalkulahin ang standard error.
Patuloy na i-update ang pagtataya habang lumilipas ang panahon upang isaalang-alang ang kasalukuyan, aktwal na mga punto ng datos.
Gumawa ng isang ulat na nagpapakita ng forecast at ihatid ito sa mas malawak na organisasyon, lalo na sa mga pangunahing decision-maker.

Sa pagkakaroon ng Telemus AI™ na may advanced na AI-enabled forecasting na handa out of the box, maaaring tumuon ang iyong organisasyon sa business logic sa halip na sa technical implementation.

Mga Organisational Application

Naglilista ang sumusunod ng mga potensyal na aplikasyon para sa iyong organisasyon:

Pag-forecast ng mga benta at pagtukoy ng mga pattern at trend.
Pagsasaayos ng diskarte sa benta batay sa mga pagtataya upang mapabuti ang mga resulta.
Pamamahala ng supply chain upang matiyak ang episyenteng pamamahala ng mga produkto.
Paghinuhula ng pag-ikot ng mga empleyado.

Mga Potensyal at Narealisang Benepisyo

Ang kakayahang maghula ay nagbibigay sa mga organisasyon ng napakalaking bentahe sa pagpaplano para sa hinaharap, na nagpapahintulot na mas mahusay na tumakbo ang mga operasyon; nagbibigay din ito ng bentahe para sa mga negosyong naglalaban para sa market share. Karamihan sa mga benepisyong ito ay nare-realize na ngayon sa pamamagitan ng mga umiiral na teknik, at ang pag-forecast ay hindi naman bago.

Bagama't ang mga pamamaraang nakabatay sa Artificial Intelligence tulad ng LTSM ay likas na mas komplikado kaysa sa mga statistical na pamamaraan sa paraan ng paggawa nito, ang implementasyon nito para magamit sa paglulutas ng mga praktikal na problema ay kung saan nagdudulot ito ng napakalaking benepisyo dahil maaari itong magkasya sa maraming dataset nang walang komplikadong pagsusuri at pagmomodelo na karaniwang kinakailangan sa mga tradisyonal na pamamaraang nakabatay sa estadistika, at mahusay din itong nag-scale hindi tulad ng mga naunang ibinigay na machine learning model. Kaya't ang mga organisasyon ay maaaring mag-forecast at maghula ng mas maraming senaryo kaysa sa magagawa nila sa mga naunang setting.

Ang Telemus AI™ ay isang kumpanya ng artificial intelligence na nakabase sa Australia na nagbibigay ng mga advanced na solusyon sa gobyerno at enterprise. Makipag-ugnayan sa amin ngayon para sa isang libreng konsultasyon kung paano maaring isama ang Telemus AI™ sa iyong organisasyon.

Mga Sanggunian

[1] - Paghinuhula ng Benta - Barış Karaman

Mga Tag