Prévision de la demande de produits de détail

Créez une solution de bout en bout pour prévoir la demande de produits de détail. Utilisez les données de vente historiques pour entraîner un modèle de prévision de la demande à l'aide de BigQuery ML, puis visualisez les valeurs prévues dans un tableau de bord Looker Studio à partager avec les personnes concernées. Découvrez comment la prévision de la demande peut réduire le gaspillage alimentaire.

Prévision de prix des produits de base

Les modèles de séries temporelles sont utilisés pour prévoir les prix des produits de base essentiels à votre activité et à vos processus de production, et pour informer vos modèles de flux de trésorerie et vos plans financiers. 

Prévision de flux de trésorerie

Les modèles de séries temporelles sont généralement combinés avec des modèles de régression et de classification pour produire des prévisions de flux de trésorerie très précises basées sur des séries temporelles comptables historiques, ainsi que sur des entrées provenant de données transactionnelles et d'obligations contractuelles. Ici, vous pouvez utiliser ARIMA_PLUS avec BigQuery ML et le combiner avec des modèles supervisés dans BigQuery ML, comme GLM, les modèles d'arbres boostés et AutoML.

• Prévision de chaîne d'approvisionnement
• Les facteurs susceptibles d'influencer la demande sont nombreux et, pour les centres de distribution, il est essentiel de se préparer à l'avance pour répondre à la demande des consommateurs. Découvrez comment Vertex AI Forecast aide les centres de distribution de la chaîne d'approvisionnement à créer des modèles capables d'inclure des signaux comme la météo, des avis sur les produits, des indicateurs macroéconomiques, des actions des concurrents, des prix des marchandises, des frais de transport, des coûts des transporteurs maritimes, et bien plus.

Détection d'anomalies avec la prévision de la demande

Pendant les vacances, les fêtes ou les promotions de fin d'année, certains pics sont parfois prévisibles et attendus. Mais qu'en est-il des pics (ou baisses) inattendus ? Par exemple, comment identifier une demande inhabituellement élevée (ou inhabituellement faible) à laquelle vous ne vous attendiez pas ? Découvrez comment vous pouvez utiliser la détection d'anomalies avec BigQuery ML pour trouver un pic anormal dans les locations de vélos qui coïncide avec le jour où les transports publics ont été perturbés dans la ville de Londres.

Contrôle de la qualité de fabrication et surveillance des métriques

Des capteurs IoT aux résultats de production, la surveillance des métriques peut prendre de nombreuses formes. Le point commun est toutefois de prévoir la plage type de ces métriques afin de pouvoir anticiper et réagir le plus rapidement possible avec des systèmes de surveillance en place.

D'autres cas d'utilisation courants pour la détection des anomalies incluent les anomalies de prix dues à une mauvaise tarification, la détection des anomalies en temps réel et le contrôle de la qualité de fabrication.

Efficacité des annonces

Dans quelle mesure vos annonces ont-elles contribué à l'essor d'une entreprise ? L'inférence causale peut vous aider à examiner la pertinence statistique des campagnes publicitaires.

Impact des grands événements sur les séries temporelles

Il est possible que vous souhaitiez savoir si l'impact d'événements majeurs, comme le Brexit, sur une série chronologique était statistiquement pertinent. Découvrez comment procéder à une inférence causale pour répondre à la question "Quel a été l'impact du vote du Brexit sur les taux de change entre la livre sterling et le dollar américain ?"

Les promotions, l'efficacité des incitations et les estimations de l'élasticité des prix constituent d'autres domaines d'analyse par inférence causale.

BigQuery ML permet aux utilisateurs de créer et d'exécuter des modèles de machine learning dans BigQuery à l'aide de requêtes SQL standard. Il accepte un type de modèle appelé ARIMA_PLUS permettant d'effectuer des tâches de prévision de séries temporelles et de détection d'anomalies.

Grâce à la modélisation ARIMA_PLUS dans BigQuery ML, vous pouvez faire des prévisions sur des millions de séries temporelles en une seule requête SQL, sans quitter votre entrepôt de données.

ARIMA_PLUS est essentiellement un pipeline de modélisation de séries temporelles, qui inclut les fonctionnalités suivantes :

• Déduire la fréquence des données de la série temporelle
• Gérer les données manquantes, les intervalles de temps irréguliers et les horodatages en double
• Détecter les valeurs aberrantes des pics et des baisses, ainsi que les changements brusques de niveau, et les corriger.
• Gérer les effets des jours fériés, la saisonnalité et les tendances

Des dizaines de millions de séries temporelles peuvent être prévues en même temps avec une seule requête. Différents pipelines de modélisation s'exécutent en parallèle, si suffisamment d'emplacements BigQuery sont disponibles.

Vous pouvez commencer à utiliser BigQuery ARIMA_PLUS à l'aide des tutoriels suivants :

• Prévisions de séries temporelles uniques du trafic Web Google Analytics avec BigQuery ML ARIMA_PLUS
• Prévisions de séries temporelles multiples de trajets à vélo à New York avec BigQuery ML ARIMA_PLUS
• Prévisions évolutives avec des millions de séries temporelles dans BigQuery
• Prévisions de la demande pour les ventes au détail avec BigQuery ML ARIMA_PLUS

Pour en savoir plus, consultez la documentation publique de BigQuery ML.

Vertex Forecast offre aux utilisateurs plusieurs options pour entraîner le modèle de prévision de séries temporelles :

1. Modèle AutoML. Avec l'entraînement AutoML, diverses approches d'ingénierie des caractéristiques sont d'abord appliquées. Une recherche rapide d'hyperparamètres est ensuite effectuée, puis AutoML explore de nombreuses architectures de modèle avancées, y compris certains modèles appartenant à Google, pour finalement générer un modèle de haute qualité pertinent pour vous.
2. Seq2seq plus. Dans le processus d'entraînement, des hyperparamètres spécifiques à l'architecture du modèle séquence-à-séquence sont utilisés, ce qui permet de réduire l'espace de recherche des hyperparamètres et d'obtenir une convergence rapide.

Pour en savoir plus, consultez la documentation publique de Vertex Forecast.

Pour commencer, suivez le tutoriel sur les prévisions Vertex.

Si vous souhaitez utiliser votre propre code personnalisé, mais que vous souhaitez exploiter l'infrastructure d'entraînement/de diffusion sur Google Cloud, vous pouvez utiliser Vertex AI Notebooks pour exécuter tout code en Python, R, TensorFlow ou PyTorch.

TimesFM (Time Series Foundation Model) est un modèle de fondation de séries temporelles pré-entraîné et développé par Google Research pour la prévision de séries temporelles univariées.

La version 1.0 contient un point de contrôle de 200 millions de paramètres ainsi que son code d'inférence. Il s'agit d'un modèle basé sur Transformer, entraîné à l'aide d'un décodeur uniquement sur un ensemble de données pré-entraîné contenant plus de 100 milliards de points temporels réels. Le modèle effectue des prévisions de séries temporelles univariées pour des durées de contexte allant jusqu'à 512 points temporels et n'importe quelle longueur d'horizon, avec une entrée facultative d'indicateur de fréquence.

Cas d'utilisation : prévision de séries temporelles. Le modèle utilise comme contexte d'entrée une série temporelle univariée, ainsi qu'un paramètre de fréquence facultatif. Le modèle prévoit la série temporelle sur un horizon futur de n'importe quelle longueur.

Disponible sur Vertex AI Model Garden

Avec la prévision univariée, vous prévoyez les données futures uniquement à l'aide des données de séries temporelles historiques. Par exemple, pour prévoir la température demain à New York, la prévision univariée consiste à n'utiliser qu'une seule variable, les températures historiques, pour prévoir les températures futures. Avec la prévision univariée, vous pouvez également découvrir des modèles et des tendances saisonniers.

Avec la prévision multivariée, vous prévoyez les données futures en utilisant plusieurs facteurs. Par exemple, pour prévoir la température de demain à New York, en plus des températures historiques, vous pouvez également utiliser la pression barométrique, l'indice UV, le pourcentage de couverture nuageuse dans les zones géographiques voisines, la vitesse du vent et d'autres variables.