DeepAR czy XGBoost w SageMaker dla hurtowni tkanin wizytowych?

DeepAR czy XGBoost w SageMaker lepszy dla hurtowni tkanin wizytowych?

Najczęściej wygrywa podejście hybrydowe. DeepAR dla wielu serii z sezonowością, XGBoost dla serii z bogatymi cechami i częstymi promocjami.

DeepAR dobrze uczy się wspólnych wzorców z wielu podobnych SKU, nawet gdy historia części z nich jest krótka. XGBoost świetnie wykorzysta cechy tablicowe, na przykład intensywność promocji, kalendarz, atrybuty materiałów. W hurtowni tkanin wizytowych oba modele mogą się uzupełniać. DeepAR stabilizuje prognozy bazowe. XGBoost wzmacnia je tam, gdzie kluczowe są zmienne zewnętrzne, na przykład kampanie i zmiany cen.

Który model prognozuje lepiej sezonowość sprzedaży w hurtowni?

DeepAR zwykle lepiej. Uczy wspólnej sezonowości dla wielu SKU i daje rozkładowe prognozy.

W tkaninach wizytowych sezon potrafi być wyraźny. Śluby, studniówki i karnawał wzmacniają popyt na satyny, szyfony, tiule i koronki. DeepAR uczy tygodniowych i rocznych cykli, korzystając z całego koszyka serii. Dzięki temu poprawia estymację nawet dla mniej popularnych pozycji. XGBoost też uchwyci sezonowość, ale wymaga ręcznej inżynierii cech kalendarzowych i opóźnień.

Jakie dane sprzedażowe potrzebuje DeepAR, a jakie XGBoost?

DeepAR:

– Ciągłe szeregi czasowe per SKU z jednolitą częstotliwością, na przykład dzień lub tydzień.

– Identyfikator serii, data, ilość sprzedana. Dobrze, gdy nie ma luk.

– Cecha statyczna per SKU, na przykład kategoria materiału, grupa kolorów, przedział ceny, dostawca.

– Cechy dynamiczne w czasie, na przykład święta, sezon ślubny, dni tygodnia, dostępność, lead time.

– Historia obejmująca kilka pełnych sezonów.

XGBoost:

– Zbiór uczący w formie tabeli z wierszem per dzień SKU lub tydzień SKU.

– Zmienna docelowa, na przykład sprzedaż jutro lub w kolejnym tygodniu.

– Opóźnienia i okna kroczące, na przykład sprzedaż z wczoraj, z ostatnich 7 dni, średnia z 28 dni.

– Kalendarz, na przykład miesiąc, tydzień, dzień tygodnia, święta, ferie, okres studniówek.

– Atrybuty SKU, na przykład typ tkaniny wizytowej, gramatura, grupa koloru.

– Informacje o cenie i promocji, na przykład rabat, ekspozycja w katalogu, baner w sklepie online.

– Informacje logistyczne, na przykład stan i brak w magazynie.

Jak oba modele radzą sobie z promocjami i krótkimi wyprzedażami?

Oba modele potrzebują jawnych cech promocji. Bez nich trudno przewidzieć skoki.

DeepAR może użyć dynamicznych cech opisujących promo, na przykład flaga promocji i skala rabatu. Dzięki rozkładowi dobrze oddaje niepewność co do wielkości skoku. XGBoost często trafnie łapie krótkie, ostre wzrosty, bo drzewa decyzyjne reagują na zmiany cech tablicowych, na przykład głęboki rabat i weekend. Warunek jest jeden. W historii muszą istnieć podobne akcje. Warto też uwzględnić niedostępność towaru, bo brak stanów zaniża sprzedaż w danych.

Który model lepiej optymalizuje stany magazynowe hurtowni?

DeepAR ułatwia planowanie bezpieczeństwa stanów, bo zwraca kwantyle prognozy.

Przy polityce poziomu obsługi wybieramy kwantyl, na przykład P90 dla wyższego poziomu dostępności. To od razu przekłada się na zapas bezpieczeństwa w okresie dostawy. XGBoost daje prognozę punktową. Rozkład niepewności można uzyskać przez trenowanie kilku modeli na różnych losowych próbkach albo przez modele dla różnych kwantyli. W praktyce wiele hurtowni łączy oba podejścia. DeepAR dla rozkładu bazowego, XGBoost do korekt o wpływ promocji i zdarzeń specjalnych.

Jak zintegrować prognozy SageMaker z systemem zamówień hurtowni?

Najprościej zacząć od prognoz wsadowych i plików wymiany.

• Zbuduj zrzuty sprzedaży i stanów do magazynu danych.
• Zaplanuj codzienny trening i prognozy w SageMaker. Wynik zapisz do pliku w chmurze.
• Wczytaj plik do systemu zamówień. Przelicz punkty zamawiania z uwzględnieniem czasu dostawy i minimalnych partii zakupu.
• Dodaj alerty, na przykład brak pokrycia popytu w oknie dostawy.
• W drugim kroku rozważ endpoint w czasie rzeczywistym, jeśli planowanie działań marketingowych wymaga szybkich aktualizacji.

Jak ocenić jakość prognoz: metryki i walidacja praktyczna?

Najpierw walidacja na historii, potem test biznesowy na zamówieniach.

• sMAPE lub MAPE. Proste do interpretacji, ostrożnie przy wielu zerach.
• RMSE lub MAE. Dobre do porównań w obrębie SKU.
• MASE. Stabilna miara względem naiwnej prognozy.
• Pinball loss i pokrycie P50, P90 dla modeli rozkładowych. Sprawdza, czy trafiamy w kwantyle.
• Backtesting z przesuwanym oknem, na przykład kilka fal sezonowych.
• Walidacja praktyczna. Po wdrożeniu mierz poziom obsługi, braki na półce, dni nadmiaru zapasu, rotację i zgodność z budżetem zakupów.

Od czego zacząć wdrożenie prognozowania w hurtowni tkanin wizytowych?

– Ustal cel. Na przykład poprawa poziomu obsługi bez zwiększania zapasu.

– Przegląd danych. Sprzedaż, stany, ceny, promocje, lead time, kalendarz sezonów.

– Segmentacja SKU. Na przykład według wartości i przewidywalności popytu.

– Baseline. Prosta prognoza sezonowa jako punkt odniesienia.

– Dwa tory modeli. DeepAR dla całego katalogu tkanin wizytowych, XGBoost dla wybranych grup promocyjnych.

– Backtesting i wybór metryk. Jedna miara techniczna i jedna biznesowa.

– Pilotaż na wybranych SKU. Porównanie z dotychczasową metodą zamawiania.

– Automatyzacja. Harmonogram wsadowy, panel z prognozami i rekomendacjami zamówień.

– Ciągłe uczenie. Regularne aktualizacje modeli i cech wraz ze zmianą sezonu.

Dobrze dobrany mix DeepAR i XGBoost pomaga wyprzedzić sezon i utrzymać kluczowe tkaniny wizytowe w stałej dostępności, przy rozsądnym zapasie i mniejszej liczbie niespodzianek.

Porozmawiajmy o prognozach dla Twojej hurtowni tkanin wizytowych i pierwszym pilotażu w SageMaker.