제품에 대한 소매업 수요 예측

소매 제품의 수요를 예측하는 엔드 투 엔드 솔루션을 빌드하세요. 이전 판매 데이터를 사용하여 BigQuery ML로 수요 예측 모델을 학습시킨 후 Looker Studio 대시보드에서 예측 값을 시각화하여 이해관계자와 공유하세요. 수요 예측을 통해 음식물 쓰레기를 줄이는 방법 알아보기

상품 가격 예측

시계열 모델은 비즈니스 및 생산 처리에 중요한 상품의 가격을 예측하고 현금 유동성 모델 및 재무 계획에 정보를 제공하는 데 사용됩니다.

현금 유동성 예측

시계열 모델은 일반적으로 회귀 및 분류 모델과 결합되어 트랜잭션 데이터 및 계약 의무와 함께 이전 회계 시계열을 기반으로 매우 정확한 현금 유동성 예측을 생성합니다. 여기에서 ARIMA_PLUS를 BigQuery ML과 함께 사용하여 GLM, 부스티드 트리 모델, AutoML과 같은 BigQuery ML의 지도 학습 모델과 결합할 수 있습니다.

• 공급망 예측
• 잠재적인 수요 동인은 많으며 유통 센터의 경우 소비자 수요를 충족하기 위해서는 사전 준비가 필요합니다. 공급망 유통 센터에서 날씨, 제품 리뷰, 거시경제적 지표, 경쟁사 활동, 원자재 가격 정보, 화물 요금, 해상 운송 비용 등의 신호를 포함할 수 있는 모델을 구축하는 데 Vertex AI Forecast가 어떻게 도움이 되는지 알아보세요.

수요 예측을 통한 이상 감지

연말연시, 선물 시즌, 연말 세일 기간에는 예상되는 급증이 발생하는 경우도 있습니다. 하지만 예상치 못한 급증 또는 급감이 발생하면 어떻게 해야 할까요? 예를 들어, 예상하지 못했던 수요가 비정상적으로 높거나 낮은 경우 어떻게 파악할 수 있나요? 런던에서 대중교통 운행이 중단된 날에 맞춰 BigQuery ML에서 이상 감지를 사용하여 이상 자전거 대여 급증을 찾는 방법을 알아보세요.

제조 품질관리 및 측정항목 모니터링

IoT 센서에서 프로덕션 출력에 이르기까지 측정항목 모니터링은 여러 가지 형태로 제공될 수 있습니다. 하지만 공통적인 요소는 이러한 측정항목의 일반적인 범위를 예측하여 모니터링 시스템을 갖춘 상태로 사전 계획을 세우고 최대한 빠르게 대응할 수 있도록 하는 것입니다.

이상 감지의 다른 일반적인 사용 사례로는 잘못된 가격 책정으로 인한 가격 이상, 실시간 이상 감지, 제조 품질관리가 있습니다.

광고 효과

광고가 비즈니스를 향상하는 데 얼마나 효과적이었나요? 인과 추론을 사용하면 광고 캠페인의 통계적 유의성을 파악하는 데 도움이 됩니다.

주요 이벤트가 시계열에 미치는 영향

브렉시트와 같은 주요 이벤트가 시계열에 미치는 영향이 통계적으로 유의미한지 확인할 수 있습니다. '브렉시트 투표가 영국 파운드와 미국 달러 간의 환율에 어떤 영향을 미쳤나요?'에 대한 답을 찾는 인과 추론에 대해 자세히 알아보세요.

인과 추론 분석의 다른 영역에는 프로모션, 인센티브 효과, 가격 탄력성 추정치가 포함됩니다.

BigQuery ML을 사용하면 BigQuery에서 표준 SQL 쿼리를 사용하여 머신러닝 모델을 만들고 실행할 수 있습니다. ARIMA_PLUS라는 모델 유형을 지원하여 시계열 예측 및 이상 감지 작업을 수행합니다.

BigQuery ML에서 ARIMA_PLUS 모델링을 사용하면 데이터 웨어하우스를 벗어나지 않고도 단일 SQL 쿼리 내에서 수백만 개의 시계열을 예측할 수 있습니다.

ARIMA_PLUS는 기본적으로 다음과 같은 기능을 포함하는 시계열 모델링 파이프라인입니다.

• 시계열의 데이터 빈도 추론
• 누락된 데이터, 불규칙한 시간 간격, 중복된 타임스탬프 처리
• 급상승 및 급하락 이상점과 급격한 수준 변화 감지 및 조정
• 공휴일 효과, 시즌성, 트렌드에 대응

쿼리 하나로 수천만 개의 시계열을 한 번에 예측할 수 있습니다. 사용 가능한 BigQuery 슬롯이 충분한 경우 서로 다른 모델링 파이프라인이 동시에 실행됩니다.

다음 튜토리얼을 사용하여 BigQuery ARIMA_PLUS를 시작할 수 있습니다.

• BigQuery ML ARIMA_PLUS를 사용한 Google 애널리틱스 웹 트래픽의 단일 시계열 예측
• BigQuery ML ARIMA_PLUS를 사용한 뉴욕시 자전거 여행의 여러 시계열 예측
• BigQuery의 시계열 수백만 개로 확장 가능한 예측
• BigQuery ML ARIMA_PLUS를 사용한 소매 판매 수요 예측

자세한 내용은 BigQuery ML 공개 문서를 참조하세요.

Vertex Forecast는 사용자에게 시계열 예측 모델을 학습시키는 여러 옵션을 제공합니다.

1. AutoML 모델. AutoML 학습을 사용하면 다양한 특성 추출 방식을 먼저 적용한 후 빠른 초매개변수 검색을 수행하고 AutoML은 일부 Google 소유 모델을 비롯한 여러 고급 모델 아키텍처를 살펴봐서 결국에는 고품질 모델을 생성합니다.
2. Seq2seq plus. 학습 프로세스에서는 특히 시퀀스-시퀀스 모델 아키텍처 내에서 초매개변수를 사용하며 초매개변수 검색 공간의 범위를 줄여 빠르게 수렴할 수 있습니다.

자세한 내용은 Vertex Forecast 공개 문서를 참조하세요.

Vertex Forecasting 튜토리얼로 시작할 수 있습니다.

자체 커스텀 코드를 가져오고 Google Cloud에서 학습/제공 인프라를 활용하려는 경우 Vertex AI Notebooks를 사용하여 원하는 Python, R, TensorFlow 또는 PyTorch에서 코드를 실행합니다.

TimesFM(파운데이션 기반 모델)은 일변량 시계열 예측을 위해 Google 연구팀에서 개발한 선행 학습된 시계열 파운데이션 모델입니다.

1.0 버전에는 추론 코드와 함께 200만 개의 파라미터 체크포인트가 포함되어 있습니다. Transformer 기반 모델이며, 1,000억 개가 넘는 실제 타임포인트가 포함된 선행 학습된 데이터 세트에서 디코더 방식으로만 학습되었습니다. 최대 512개의 타임포인트와 모든 범위 길이의 컨텍스트 길이에 대해 일변량 시계열 예측을 수행하며, 빈도 표시기 입력(선택사항)을 사용합니다.

사용 사례: 시계열 예측 - 이 모델은 선택적 빈도 파라미터와 함께 일변량 시계열을 입력 컨텍스트로 사용합니다. 이 모델은 시계열을 모든 길이의 미래 범위에 대해 예측합니다.

Vertex AI Model Garden에서 사용 가능

일변량 예측을 사용하면 이전 시계열 데이터만 사용하여 향후 데이터를 예측합니다. 예를 들어 뉴욕시의 내일 기온을 예측하기 위해 일변량 예측은 과거의 기온을 예측하는 데 단일 변수인 이전 온도만 예측하여 사용합니다. 일변량 예측을 통해 시즌별 패턴과 트렌드도 파악할 수 있습니다.

다변량 예측을 사용하면 여러 요소를 사용하여 미래의 데이터를 예측합니다. 예를 들어 과거의 기온 외에 내일 뉴욕시의 기온을 예측하는 데 기압, 자외선 지수, 인근 지역의 구름 범위 비율, 풍속 및 기타 변수를 사용할 수 있습니다.