Prognosen zur Einzelhandelsnachfrage für Produkte

Entwickeln Sie eine End-to-End-Lösung für die Nachfrageprognose nach Einzelhandelsprodukten. Anhand von bisherigen Verkaufsdaten können Sie mit BigQuery ML ein Modell für die Nachfrageprognose trainieren und anschließend die prognostizierten Werte in einem Looker Studio-Dashboard visualisieren, um sie mit Stakeholdern zu teilen. Hier erfahren Sie, wie Sie mit Bedarfsprognosen zur Reduzierung der Lebensmittelverschwendung beitragen können.

Prognosen von Warenpreisen

Zeitreihenmodelle werden verwendet, um die Preise von Rohstoffen zu prognostizieren, die für Ihre Geschäfts- und Produktionsprozesse entscheidend sind. Sie dienen als Grundlage für Ihre Cashflow-Modelle und Finanzpläne. 

Cashflow-Prognose

Zeitreihenmodelle werden in der Regel mit Regressions- und Klassifizierungsmodellen kombiniert, um hochpräzise Cashflow-Prognosen zu erstellen, die auf historischen Buchhaltungs-Zeitreihen sowie auf Eingaben aus Transaktionsdaten und vertraglichen Verpflichtungen basieren. Hier können Sie ARIMA_PLUS mit BigQuery ML verwenden und mit überwachten Modellen in BigQuery ML kombinieren, z. B. GLM, Boosted Tree-Modelle und AutoML.

• Lieferkettenprognosen
• Die Nachfrage wird von vielen Faktoren beeinflusst. Für die Vertriebszentren ist eine vorausschauende Vorbereitung entscheidend, um die Nachfrage zu befriedigen. Hier erfahren Sie, wie Vertex AI Forecast Vertriebszentren für Lieferketten bei der Erstellung von Modellen unterstützt, die Wettersignale, Rezensionen, makroökonomische Indikatoren, Aktionen von Mitbewerbern, Rohstoffpreise, Frachtgebühren, Transportkosten von Transportunternehmen usw. enthalten können.

Anomalieerkennung mit Nachfrageprognosen

An Feiertagen, Geschenken oder Rabatten zum Jahresende gibt es manchmal bestimmte Spitzenwerte. Aber was ist mit unerwarteten Spitzen (oder Einbrüchen)? Wie können Sie beispielsweise eine ungewöhnlich hohe (oder ungewöhnlich niedrige) Nachfrage erkennen, mit der Sie nicht gerechnet haben? Erfahren Sie, wie Sie die Anomalieerkennung mit BigQuery ML verwenden können, um anomale Spitzen beim Fahrradverleih zu finden, die mit dem Tag zusammenfallen, an dem der öffentliche Verkehr in der Stadt London unterbrochen wurde.

Qualitätskontrollen und Messwertüberwachung in der Fertigung

Von IoT-Sensoren bis hin zur Produktionsausgabe kann die Überwachung von Metriken in vielerlei Hinsicht erfolgen. Üblicherweise wird der typische Bereich dieser Messwerte prognostiziert, damit Sie im Voraus planen und mit Monitoringsystemen so schnell wie möglich reagieren können.

Weitere häufige Anwendungsfälle für die Anomalieerkennung sind Preisanomalien aufgrund falscher Preise, die Erkennung von Anomalien in Echtzeit und die Qualitätskontrolle in der Fertigung.

Effektivität der Anzeigen

Wie effektiv haben Sie mit Ihren Anzeigen eine Steigerung für das Unternehmen erzielt? Mithilfe der kausalen Inferenz können Sie die statistische Signifikanz von Werbekampagnen untersuchen.

Auswirkungen großer Ereignisse auf Zeitreihen

Vielleicht möchten Sie wissen, ob die Auswirkungen von Großereignissen wie dem Brexit auf eine Zeitreihe statistisch signifikant waren. Erfahren Sie mehr darüber, wie sie kausale Inferenzen vornehmen können, um die Frage "Wie hat sich das Brexit-Votum auf die Wechselkurse zwischen dem britischen Pfund und dem US-Dollar ausgewirkt?" zu beantworten.

Weitere Bereiche für die kausale Inferenzanalyse sind Werbeaktionen, die Wirksamkeit von Anreizen und Preiselastizitätsschätzungen.

Mit BigQuery ML können Nutzer mithilfe von Standard-SQL-Abfragen Modelle für maschinelles Lernen in BigQuery erstellen und ausführen. Die Anwendung unterstützt einen Modelltyp namens ARIMA_PLUS, um Zeitreihenprognosen und Anomalieerkennung auszuführen.

Mit der ARIMA_PLUS Modellierung in BigQuery ML können Sie Prognosen für Millionen von Zeitreihen in einer einzigen SQL-Abfrage erstellen, ohne Ihr Data Warehouse verlassen zu müssen.

ARIMA_PLUS ist im Wesentlichen eine Pipeline für die Zeitreihenmodellierung, die die folgenden Funktionen umfasst:

• Datenfrequenz der Zeitreihe ableiten
• Mit fehlenden Daten, unregelmäßigen Zeitintervallen und doppelten Zeitstempeln umgehen
• Ausreißer nach oben und unten sowie abrupte Ebenenänderungen erkennen und anpassen
• Effekte, Saisonabhängigkeit und Trends in der Festtagssaison berücksichtigen

Mit einer einzigen Abfrage können mehrere zehn Millionen Zeitreihen gleichzeitig prognostiziert werden. Verschiedene Modellierungspipelines werden parallel ausgeführt, wenn genügend BigQuery-Slots verfügbar sind.

Die folgenden Anleitungen helfen Ihnen beim Einstieg in BigQuery ARIMA_PLUS:

• Prognosen für einzelne Zeitreihen für Google Analytics-Web-Traffic mit BigQuery ML ARIMA_PLUS
• Prognosen für mehrere Zeitreihen für NYC-Fahrradtouren mit BigQuery ML ARIMA_PLUS
• Skalierbare Prognose mit Millionen von Zeitachsen in BigQuery
• Nachfrageprognose für Einzelhandelsumsätze mit BigQuery ML ARIMA_PLUS

Weitere Informationen finden Sie in den öffentlichen Dokumentationen zu BigQuery ML.

Vertex Forecast bietet Nutzern mehrere Optionen zum Trainieren des Zeitreihenprognosemodells:

1. AutoML-Modell. Beim AutoML-Training werden verschiedene Feature Engineering-Ansätze angewandt. Anschließend wird eine schnelle Hyperparameter-Suche durchgeführt und AutoML probiert dann viele erweiterte Modellarchitekturen aus, darunter auch einige Modelle von Google, und schließlich ein hochwertiges Modell für Sie generiert.
2. Seq2seq plus. Im Trainingsprozess werden Hyperparameter verwendet, die speziell in der Architektur des Sequenz-zu-Sequenz-Modells enthalten sind. Dadurch kann der Umfang des Hyperparameter-Suchraums reduziert werden, was eine schnelle Konvergenz ermöglicht.

Weitere Informationen finden Sie in der öffentlichen Dokumentation zu Vertex Forecast.

Sie können mit der Anleitung für Vertex Forecast beginnen.

Wenn Sie eigenen benutzerdefinierten Code verwenden, aber die Trainings-/Bereitstellungsinfrastruktur in Google Cloud nutzen möchten, können Sie mit Vertex AI Workbench beliebigen Code in Python, R, TensorFlow oder PyTorch verwenden.

TimesFM (Time Series Foundation Model) ist ein vortrainiertes Zeitreihen-Foundation Model, das von Google Research für univariate Zeitreihenprognosen entwickelt wurde.

Die Version 1.0 enthält einen 200M-Parameter-Checkpoint sowie seinen Inferenzcode. Es ist ein auf Transformatoren basierendes Modell, das nur auf Decoder-Art mit einem vortrainierten Dataset trainiert wurde, das über 100 Milliarden reale Zeitpunkte enthält. Er führt univariate Zeitreihenprognosen für Kontextlängen von bis zu 512 Zeitpunkten und beliebige Horizontlängen mit einer optionalen Eingabe für die Häufigkeitsanzeige durch.

Anwendungsfall: Zeitreihenprognose – Das Modell verwendet als Eingabekontext eine univariate Zeitreihe mit einem optionalen Häufigkeitsparameter. Das Modell prognostiziert aus der Zeitreihe einen zukünftigen Horizont beliebiger Länge.

Verfügbar in VertexAI Model Garden

Mit univariaten Prognosen prognostizieren Sie zukünftige Daten ausschließlich anhand der bisherigen Zeitreihendaten. Um beispielsweise die Temperatur für morgen in New York City vorherzusagen, würde eine univariate Prognose nur eine einzige Variable, nämlich historische Temperaturen, verwenden, um zukünftige Temperaturen vorherzusagen. Mit univariaten Prognosen können Sie außerdem saisonale Muster und Trends erkennen.

Mit multivariaten Prognosen können Sie zukünftige Daten anhand mehrerer Faktoren prognostizieren. Um beispielsweise die Temperatur für morgen in New York City zu prognostizieren, können Sie neben historischen Temperaturen auch den Luftdruck, den UV-Index, den Prozentsatz der Wolkenbedeckung in nahe gelegenen geografischen Gebieten, die Windgeschwindigkeit und andere Variablen verwenden.