Wersja 4.0. SMART Demand Forecast: prognozowanie stało się jeszcze wygodniejsze

Nowoczesny system prognozowania popytu SMART Demand Forecast wykorzystuje wieloczynnikowe modele, zaawansowane algorytmy oraz analizuje ogromne ilości danych, aby dostarczać dokładne wyniki. Dlatego nieustannie pracujemy nad tym, aby tworzenie dokładnych prognoz było łatwe i szybkie, pozostawiając skomplikowane procesy systemowi. Zmiany w interfejsie, udoskonalenia modeli, dodanie nowych funkcji – wszystko to dla osiągnięcia lepszych wyników biznesowych.

Aktualizacje SMART Demand Forecast sprawią, że proces prognozowania będzie jeszcze wygodniejszy i dokładniejszy. Nowe funkcje i ulepszenia mają na celu poprawę doświadczenia użytkownika, uproszczenie konfiguracji oraz optymalizację algorytmów prognozowania. Dzięki wprowadzeniu tych aktualizacji użytkownicy będą mogli szybciej i łatwiej uzyskiwać dokładne prognozy, co pomoże im podejmować bardziej uzasadnione i efektywne decyzje zarządcze.

W tym artykule przyjrzymy się nowym funkcjom systemu.

Udoskonalona praca z anomaliami: dodano możliwość ręcznego korygowania i trzy tryby wyświetlania

Na stronie „Przetwarzanie anomalii” pojawiła się opcja ręcznego korygowania naprawy anomalii. Można wprowadzać zmiany w anomaliach na wszystkich dostępnych poziomach produktu i firmy, po czym inne zależne wartości są przeliczane.

Ponadto, na głównym panelu można teraz przełączać się między różnymi trybami i wyświetlać informacje dla wybranego okresu: tygodnia, miesiąca lub roku. Podział zbioru danych na mniejsze części ułatwia ich wyświetlanie i wyszukiwanie. Nowe podejście do pracy z anomaliami poprawia takie metryki jak Time to Interactive (TTI) i First Contentful Paint (FCP), zapewniając tym samym wygodną pracę z dużymi zestawami anomalii.

Dodano możliwość ręcznego korygowania wyników prognozy

Można ręcznie modyfikować wyniki prognozy na stronie „Modelowanie”. Korekta jest stosowana do wszystkich dostępnych poziomów produktów i działalności. System automatycznie dystrybuuje zmiany do najniższego poziomu prognozy. Ta możliwość zarządzania prognozami zwiększa dokładność danych w zależności od zmian zachodzących w firmie lub na rynku.

Wdrożono automatyczne rozpoznawanie najlepszego modelu

W systemie można zobaczyć najlepszy model, który SMART Demand Forecast automatycznie zaleci na podstawie jego metryk z okresów walidacji. Wybrany model można znaleźć na liście z odpowiednim oznaczeniem, które wyróżni go spośród innych. W ten sposób można zaoszczędzić czas na identyfikowaniu najlepszej opcji spośród proponowanych. Teraz analiza nie zajmie zbyt wiele czasu, a prognozę będzie można tworzyć szybciej i efektywniej.

Dodano możliwość korygowania warunków dla kampanii promocyjnych

Teraz można zmieniać ustawienia kampanii promocyjnych, takie jak data rozpoczęcia i zakończenia, produkt, sklep, typ promocji, cena regularna i promocyjna oraz rabat, bezpośrednio w interfejsie systemu. Zmiany są zapisywane w systemie po sprawdzeniu i zastosowaniu wprowadzonych wartości. Takie podejście znacznie oszczędza czas potrzebny na wprowadzanie zmian, ponieważ nie trzeba już ponownie przesyłać plików CSV ze zaktualizowanymi danymi. Od teraz planowanie kampanii promocyjnych staje się bardziej elastyczne, a tym samym bardziej skuteczne.

Dodano nowe filtry i sortowanie dla tabeli anomalii

Na stronie „Przetwarzanie anomalii” można teraz szybko filtrować i sortować dane według parametrów „sklep” i „produkt”. Filtrowanie ułatwia grupowanie danych, co sprawia, że są one bardziej uporządkowane i łatwiejsze do analizy.

Dodano środowisko Data Science do trenowania modeli

Wyodrębniono osobne środowisko przeznaczone do trenowania modeli, grupy czynników na zakładce DS Settings. Analitycy i zespoły Data Science mają teraz dodatkowe narzędzie do osiągania większej dokładności prognoz. Zmniejsza to czas potrzebny na eksperymenty i zwiększa efektywność dostosowywania systemu do specyficznych procesów biznesowych.

Dodano możliwość wyboru formatu daty i godziny

Aby ułatwić korzystanie z systemu, można ustawić odpowiednią strefę czasową, aby zsynchronizować czas na urządzeniu lub w regionie pracy użytkownika. Aby ustawić godzinę, należy przejść do opcji Ustawienia użytkownika > Ustawienia profilu i wybrać żądany format.

Wdrożono sprawdzanie analogów produktów i sklepów z niewystarczającą historią

Można uzyskać informacje o tym, jak prawidłowo został przypisany analog z innej kategorii dla określonego produktu lub sklepu. Automatyczna weryfikacja minimalizuje błędy i zapewnia jakość prognozowania, zwiększając dokładność i niezawodność ustalania analogów.

Ulepszono działanie przełączników i filtrów w tabelach i oknach modalnych

W przypadku zapytania z nowymi warunkami filtrowania wszystkie poprzednie zapytania są anulowane, a aktywne pozostają tylko odpowiednie parametry.

Anulowanie zbędnych zapytań poprawia szybkość działania systemu i ułatwia pracę z filtrami. Teraz można szybko zmieniać parametry i uzyskiwać zaktualizowane wyniki bez ręcznego anulowania zapytań.

Udoskonalono algorytm Isolation Forest

Można teraz używać dodatkowych czynników z Uniwersalnej Struktury Danych do wyszukiwania anomalii. W systemie dostępny jest przełącznik umożliwiający korzystanie z dodatkowych czynników podczas wyszukiwania anomalii za pomocą algorytmu Isolation Forest.

Ta opcja pozwala precyzyjniej i bardziej elastycznie identyfikować rzeczywiste anomalie w sprzedaży, uwzględniając różne czynniki, takie jak cena, cechy produktu i sklepu.

Uproszczono pracę z elementami grupowymi

Teraz można zwijać i rozwijać elementy grupowe interfejsu na różnych stronach systemu. Ustawienia są automatycznie zapisywane i można z nich korzystać przy kolejnym logowaniu. Pomaga to organizować interfejs zgodnie z potrzebami, szybko znajdować ważne informacje i pracować z potrzebnymi danymi.

Dodano nowy blok „Czynniki pogodowe” (Volume Building Block)

Teraz można korzystać z czynników pogodowych, aby trenować i oceniać modele. Wszystko, czego system potrzebuje, to dane o geolokalizacji punktów sprzedaży. Czynniki te obejmują opady, temperaturę, wilgotność i inne cechy pogodowe. Nowa funkcjonalność znacząco poprawi jakość prognozowania dla produktów sezonowych.

Dodano podstawowy model prognozowania Baseline

Nowy podstawowy model – Baseline, który jest oparty na regresji liniowej – można teraz wykorzystać do trenowania i oceny prognozowania. Model ma podstawowy zestaw czynników z USD i nie jest obciążony obliczaniem dodatkowych czynników, co pozwala mu uczyć się i przedstawiać wyniki wielokrotnie szybciej niż tradycyjne modele. Podejście to jest szczególnie istotne w przypadku wyznaczania trendów – szybkie uzyskanie wyniku przy wykorzystaniu określonej liczby parametrów, co jest klasyczną metodą przeprowadzania wstępnej analizy na etapie planowania długoterminowych kampanii.

Wprowadzono nowe podejście do korzystania z Azure Spot Instances

System SMART Demand Forecast może teraz znacznie zaoszczędzić swoje zasoby Azure Databricks, które są wykorzystywane podczas intensywnych procesów trenowania i oceny modeli prognozowania. Podejście to polega na utrzymywaniu zasobów obliczeniowych w określonej wspólnej grupie zasobów, gdzie ceny są znacznie niższe ze względu na niewielką szansę, że zasoby te zostaną przekazane bardziej uprzywilejowanym użytkownikom. Procesy zachodzące w systemie nie ucierpią na tym przeniesieniu. Pozwala to zaoszczędzić czas poświęcany na trenowanie i ocenę procesów oraz uzyskać ulepszoną funkcjonalność bez zwiększania ponoszonych kosztów.

Poprawiono jakość kodu rdzenia ML

W ramach bieżącej wersji przetestowaliśmy i wdrożyliśmy ulepszenia kodu frameworków Databricks i Azure Machine Learning. Wdrożono automatyczne potoki umożliwiające dostosowanie kodu do standardu Pep-8. Poprawiono wydajność kodu i procesów CI/CD. System stał się jeszcze bardziej stabilny i niezawodny.

Zoptymalizowano rozwiązania backendowe

Wprowadzono zmiany dotyczące sekcji Domain Driven Design i przetwarzania statusów, mikrousług zapewniających dostęp do Azure Data Factory. Te zmiany optymalizują i poprawiają doświadczenie użytkownika podczas pracy z systemem.