Previsione della domanda nella vendita al dettaglio per i prodotti

Crea una soluzione end-to-end per la previsione della domanda dei prodotti al dettaglio. Utilizza i dati storici di vendita per addestrare un modello di previsione della domanda utilizzando BigQuery ML, poi visualizza i valori previsti in una dashboard di Looker Studio da condividere con i tuoi stakeholder. Scopri in che modo la previsione della domanda può ridurre gli sprechi alimentari.

Previsione dei prezzi delle merci

I modelli basati su serie temporali vengono utilizzati per prevedere i prezzi delle merci e dei prodotti fondamentali per i processi aziendali e di produzione. Inoltre, vengono utilizzati per definire i modelli dei flussi di cassa e i piani finanziari. 

Previsione dei flussi di cassa

I modelli basati su serie temporali vengono generalmente combinati con modelli di regressione e classificazione per generare previsioni dei flussi di cassa estremamente accurate in base a serie temporali di dati storici di contabilità, oltre a input da dati transazionali e responsabilità contrattuali. In questo caso, puoi utilizzare ARIMA_PLUS con BigQuery ML e combinarlo con modelli supervisionati in BigQuery ML, come GLM, modelli boosted tree e AutoML.

• Previsione della catena di fornitura
• Esistono molti fattori potenziali che incidono sulla domanda e, per i centri di distribuzione, è fondamentale prepararsi in anticipo per soddisfare la domanda dei consumatori. Scopri come Vertex AI Prediction aiuta i centri di distribuzione nella catena di fornitura a creare modelli che possono includere indicatori come condizioni meteo, recensioni dei prodotti, dati macroeconomici, azioni della concorrenza, prezzi delle merci, spese di spedizione, costi dei vettori transoceanici e altro ancora.

Rilevamento di anomalie con la previsione della domanda

Durante le festività, i periodi in cui si fanno regali o le vendite di fine anno, a volte si verificano dei picchi di traffico prevedibili. Ma cosa succede in caso di picchi (o cali) imprevisti? Ad esempio, come fai a individuare una domanda insolitamente elevata (o insolitamente bassa) che non ti aspettavi? Scopri come utilizzare il rilevamento di anomalie con BigQuery ML per trovare un picco imprevisto nel noleggio di biciclette in concomitanza con il giorno in cui si sono verificati problemi con i trasporti pubblici a Londra.

Controllo della qualità e monitoraggio delle metriche nella produzione

Il monitoraggio delle metriche può riguardare vari aspetti, dai sensori IoT alla resa della produzione. Tuttavia, l'elemento comune è prevedere l'intervallo tipico di queste metriche in modo da pianificare in anticipo e rispondere il più rapidamente possibile con i sistemi di monitoraggio già disponibili.

Altri casi d'uso comuni per il rilevamento di anomalie includono problemi con l'assegnazione dei prezzi dovuti a una valutazione errata, individuazione di anomalie in tempo reale e controllo della qualità della produzione.

Efficacia degli annunci

Quanto sono stati efficaci i tuoi annunci nel generare un incremento dell'attività? L'inferenza causale può aiutarti a osservare la significatività statistica delle campagne pubblicitarie.

Impatto di eventi importanti nelle serie temporali

È utile sapere se l'impatto di eventi importanti, ad esempio la Brexit, ha una significatività statistica su una serie temporale. Scopri di più su come usare l'inferenza causale per rispondere alla domanda "In che modo il voto sulla Brexit ha influito sui tassi di cambio tra sterlina britannica e dollaro statunitense?".

L'analisi basata sull'inferenza causale può essere applicata anche a promozioni, efficacia degli incentivi e stime dell'elasticità dei prezzi.

BigQuery ML consente agli utenti di creare ed eseguire modelli di machine learning in BigQuery utilizzando query SQL standard. Supporta un tipo di modello denominato ARIMA_PLUS per l'esecuzione di attività di previsione e rilevamento di anomalie basate sulle serie temporali.

Grazie alla definizione dei modelli ARIMA_PLUS in BigQuery ML, puoi effettuare previsioni su milioni di serie temporali all'interno di una singola query SQL, senza uscire dal data warehouse.

ARIMA_PLUS è essenzialmente una pipeline di generazione di modelli basati su serie temporali che include le seguenti funzionalità:

• Individuazione della frequenza dei dati della serie temporale
• Gestione di dati mancanti, intervalli di tempo irregolari e timestamp duplicati
• Rilevamento di picchi e cali anomali, cambiamenti improvvisi dei livelli e relativi adeguamenti
• Gestione di effetti delle festività, stagionalità e tendenze

È possibile prevedere contemporaneamente decine di milioni di serie temporali con una singola query. Varie pipeline di definizione dei modelli vengono eseguite in parallelo, qualora siano disponibili slot BigQuery sufficienti.

Segui questi tutorial per iniziare a utilizzare ARIMA_PLUS di BigQuery:

• Previsione basata su una serie temporale del traffico web di Google Analytics con ARIMA_PLUS di BigQuery ML
• Previsione basata su più serie temporali dei tragitti in bici a New York con ARIMA_PLUS di BigQuery ML
• Previsione scalabile con milioni di serie temporali in BigQuery
• Previsione della domanda delle vendite al dettaglio con ARIMA_PLUS di BigQuery ML

Per informazioni dettagliate, consulta la documentazione pubblica di BigQuery ML.

Vertex Forecast offre agli utenti varie opzioni per addestrare il modello di previsione basato sulle serie temporali:

1. Modello AutoML. Mediante l'addestramento di AutoML, vengono inizialmente applicati vari approcci di feature engineering, poi viene eseguita una ricerca rapida di iperparametri e successivamente AutoML esplora molte architetture di modelli avanzate, tra cui alcuni modelli di proprietà di Google. Infine, viene generato un modello di alta qualità.
2. Seq2Seq+. Nel processo di addestramento vengono utilizzati iperparametri specificamente all'interno dell'architettura del modello "sequence-to-sequence", il che può ridurre l'ambito dello spazio di ricerca degli iperparametri al fine di avere una convergenza rapida.

Per informazioni dettagliate, consulta la documentazione pubblica di Vertex Forecast.

Puoi iniziare con il tutorial di Vertex Forecast.

Se vuoi utilizzare un codice personalizzato, ma vuoi sfruttare l'infrastruttura di addestramento/gestione su Google Cloud, puoi usare Vertex AI Workbench per eseguire qualsiasi codice in Python, R, TensorFlow o PyTorch.

TimesFM (Time Series Foundation Model) è un modello di base di serie temporali preaddestrato, sviluppato da Google Research per la previsione univariata di serie temporali.

La release 1.0 contiene un checkpoint di 200 milioni di parametri e il codice di inferenza. È un modello basato su Transformer ed è stato addestrato esclusivamente come decoder su un set di dati preaddestrato contenente oltre 100 miliardi di punti di tempo reali. Esegue previsioni di serie temporali univariate per finestre contestuali fino a 512 punti di tempo e qualsiasi durata dell'orizzonte, con un input facoltativo dell'indicatore di frequenza.

Caso d'uso: previsione di serie temporali. Il modello utilizza come contesto di input una serie temporale univariata, insieme a un parametro di frequenza facoltativo. Il modello prevede le serie temporali in un orizzonte futuro di qualsiasi durata.

Disponibile su Model Garden di Vertex AI

La previsione univariata consente di prevedere dati futuri utilizzando solo quelli storici della serie temporale. Ad esempio, per conoscere la temperatura di domani a New York, la previsione univariata prevede l'utilizzo di una singola variabile, ovvero le temperature storiche, per prevedere quelle future. Con la previsione univariata è possibile anche scoprire pattern e tendenze stagionali.

Con la previsione multivariata è possibile prevedere dati futuri utilizzando più fattori. Ad esempio, per prevedere la temperatura di domani a New York, oltre alle temperature storiche puoi utilizzare la pressione barometrica, l'indice UV e la percentuale di copertura nuvolosa nelle aree geografiche nelle vicinanze, la velocità del vento e altre variabili.