Ile wcześniej zarezerwować wynajem przyczepy samochodowej?

Coraz więcej wypożyczalni zauważa, że popyt na przyczepy skacze falami. Weekend, przeprowadzki, sezon budowlany i nagła potrzeba transportu. To codzienność, która utrudnia planowanie dostępności floty i obsługę rezerwacji bez odrzutów.

Prognozowanie popytu pomaga uporządkować ten chaos. Daje lepsze decyzje o liczbie dostępnych sztuk, oknach odbiorów i planach serwisu. Poniżej znajdziesz prosty plan, jak wykorzystać SageMaker do przewidywania popytu na wynajem przyczepy samochodowej.

• data,
• lokalizacja,
• typ przyczepy,
• liczba wypożyczeń zrealizowanych,
• anulacje i no‑show,
• dostępność floty danego dnia,
• czas od rezerwacji do odbioru.

W danych kalendarzowych dodaj:

• dzień tygodnia, tydzień roku, miesiąc,
• flagi weekendów i świąt państwowych,
• sezon urlopowy i ferie,
• lokalne wydarzenia,
• flagi promocji i kampanii,
• pogodę i warunki drogowe, jeśli mają wpływ.

Zbuduj opóźnienia i średnie kroczące, na przykład popyt z 7 i 28 dni oraz ich średnie. Znormalizuj kategorie, na przykład typ przyczepy i lokalizacja. Przechowuj dane w stałej strukturze w repozytorium plików lub w sklepie cech, aby trenowanie było powtarzalne.

• DeepAR Forecasting. Dobrze uczy się tygodniowej i rocznej sezonowości. Łączy wiele serii typu lokalizacja i typ przyczepy. Obsługuje cechy współzmienne, w tym promocje i pogodę.
• XGBoost. Silny baseline dla prognoz dziennych. Wymaga ręcznego dodania opóźnień, średnich kroczących i cech kalendarzowych. Jest odporny przy mniejszych zbiorach.
• Autopilot. Automatyzuje dobór modelu i inżynierię cech dla danych tabelarycznych i szeregów. Dobry do szybkich eksperymentów i benchmarków.
• Random Cut Forest. Wykrywa anomalie w historii. Pomaga oczyścić dane z incydentów nienaturalnych, na przykład awarii systemu rezerwacji.

Wybór warto podeprzeć walidacją kroczącą. Często finalnie łączy się prognozy, stosując prostą średnią ważoną.

• Sezonowość tygodniowa. Dodaj dzień tygodnia i flagi weekendów. DeepAR uwzględni ten wzorzec, a w XGBoost zadziałają też średnie kroczące z 7 dni.
• Sezonowość roczna. Użyj miesiąca, kwartału i flag okresów szczytu, jak wakacje i ferie.
• Promocje i kampanie. Wprowadź flagę promocji oraz intensywność, na przykład głębokość rabatu zakodowaną w kategoriach. Dodaj okna efektu po akcji.
• Pogoda i wydarzenia. Deszcz czy śnieg potrafią zmienić popyt. Lokalne wydarzenia również.
• Ograniczenia floty. Oznacz dni, w których popyt mógł być ucięty brakiem dostępnych przyczep. Rozważ estymację popytu nieobsłużonego, korzystając z list oczekujących lub zapytań bez rezerwacji.

• WAPE lub sMAPE dla porównań między seriami,
• MAE i RMSE dla wrażliwości na duże odchylenia,
• pinball loss i pokrycie dla kwantyli P50 i P90,
• stabilność w czasie na walidacji kroczącej.

Metryki biznesowe:

• odsetek odrzuconych rezerwacji z powodu braku dostępnych przyczep,
• średnie wykorzystanie floty w szczycie i poza szczytem,
• zgodność prognoz z realnym zapotrzebowaniem na poziomie lokalizacja i typ przyczepy.

• Czas rzeczywisty. System rezerwacyjny wysyła zapytanie z lokalizacją, typem przyczepy i horyzontem. Otrzymuje prognozę popytu i niepewność, co pozwala ustawić limity dostępności na dany dzień.
• Przetwarzanie wsadowe. Nocna paczka prognoz na kolejne 7–28 dni zasila kalendarz dostępności i plany serwisowe.

W obu wariantach warto dodać:

• kwantyle P50 i P90 do decyzji o buforze,
• reguły nadpisania przez operatora,
• pamięć podręczną krótkoterminowych wyników,
• zapisywanie prognoz i faktycznych danych do analizy błędów.

• błąd dzienny i tygodniowy na głównych seriach,
• wykrywanie dryfu danych wejściowych i wyjściowych,
• alarmy dla gwałtownych zmian, na przykład nagły wzrost odrzuceń rezerwacji,
• harmonogram ponownego trenowania, na przykład co tydzień lub po większej kampanii,
• rejestr modeli z wersjonowaniem i kontrolą zmian.

Ważne jest też monitorowanie wpływu na biznes. Czy maleje liczba odrzuconych rezerwacji i rośnie wykorzystanie floty bez spadku jakości obsługi.

• Uczenie na wielu seriach. Trenuj wspólnie lokalizacje i typy przyczep, aby model dzielił wiedzę między podobnymi seriami.
• Agregacja hierarchiczna. Najpierw prognozuj kategorię, potem rozbijaj wyniki na konkretne modele według udziałów.
• Funkcje bogate w kalendarz. Gdy historii jest mało, cechy sezonowe mają większe znaczenie.
• Dane zewnętrzne. Pogoda, święta i lokalne wydarzenia dodają sygnału przy krótkiej historii.
• Prostsze modele i krótszy horyzont. MAE bywa niższy przy horyzoncie do tygodnia, a aktualizacje mogą być częstsze.
• Reguły eksperckie jako bezpiecznik. Ustal minimalną dostępność w szczytach i luz w okresach niskiego popytu.

Kończąc, prognozowanie w SageMaker porządkuje decyzje o dostępności i serwisie, a także zmniejsza liczbę odrzuconych rezerwacji. Nawet przy małej historii da się zbudować użyteczne prognozy, jeśli połączysz dane transakcyjne z kalendarzem i prostymi regułami. Warto zacząć od małego pilota, porównać metryki i od razu zasilić prognozami kalendarz rezerwacji.

Zacznij pilotaż prognoz popytu dla wynajmu przyczepy samochodowej w SageMaker i sprawdź wpływ na dostępność oraz wykorzystanie floty.