Melhorando a Previsão de Demanda com Novas Técnicas
Uma nova ferramenta ajuda as empresas a prever a demanda com mais precisão durante os eventos de pico.
Malcolm Wolff, Kin G. Olivares, Boris Oreshkin, Sunny Ruan, Sitan Yang, Abhinav Katoch, Shankar Ramasubramanian, Youxin Zhang, Michael W. Mahoney, Dmitry Efimov, Vincent Quenneville-Bélair
― 6 min ler
Índice
Prever demanda é meio que como tentar adivinhar o tempo. Você acha que já entendeu tudo, aí vem uma tempestade de repente-tipo uma promoção de feriado ou um evento grande-e tudo vira de ponta cabeça. Esses momentos, que chamamos de Eventos de Pico (EPs), fazem a demanda disparar como um foguete e depois despencar rapidinho.
Quando falamos desses picos, os métodos tradicionais, inclusive algumas redes neurais bem sofisticadas, tendem a ficar um pouco exagerados. Eles veem o aumento da demanda e pensam: “Uau! Esse é o novo normal!” E aí eles levam essa demanda inflacionada para os dias e semanas que seguem, resultando em previsões bem erradas. Imagina achar que você vai precisar de uma montanha de sorvete porque teve uma festa, e depois ficar se perguntando o que fazer com todas as sobras quando a festa acaba.
Para enfrentar esse desafio não tão pequeno, criamos uma ferramenta inteligente chamada Decomposição de Atenção de Pico Dividida. Sim, parece chique, mas é tudo sobre manter a simplicidade-como dividir seu sorvete em “hora da festa” e “hora normal.” Tratando o evento pico como uma coisa separada, conseguimos fazer previsões melhores para os tempos normais e manter a confusão no mínimo.
A Mente Por Trás da Operação
Nosso novo modelo funciona usando duas manhas principais: convoluções mascaradas e um módulo especial de Atenção de Pico. As convoluções mascaradas agem como um filtro em uma cafeteria. Elas impedem todo o leite espumoso de entrar no nosso café normal, permitindo que a gente foque só no básico-os dados reais de demanda sem os picos.
Enquanto isso, o módulo de Atenção de Pico é como aquele amigo que te lembra que ainda tem bolo depois da festa. Ele acompanha esses picos e nos avisa o que é importante nesses momentos emocionantes. Em vez de deixar tudo se perder na bagunça, esse módulo garante que a gente fique afiado e focado.
Resultados Que Falam Muito
Testando nosso novo modelo em um gigantesco conjunto de dados com centenas de milhões de produtos, vimos resultados bem impressionantes. Quando os EPs estavam envolvidos, conseguimos melhorar a precisão durante esses eventos, enquanto também reduzimos os erros de Previsão que vieram depois. É como finalmente descobrir como andar de bicicleta sem balançar para todo lado-nada de previsões quebradas!
Isso é crucial, especialmente para grandes varejistas que precisam saber quanto estoque trazer. Se eles erram na aposta, pode acabar em prateleiras vazias ou montanhas de produtos encalhados. A gente sabe o que vem a seguir: as temidas promoções que ninguém quer ver.
Por Que Isso Importa?
Previsões boas durante os EPs significam menos dor de cabeça no futuro, levando a uma melhor gestão de estoque. Imagine isso: se uma loja sabe exatamente quantos produtos estocar durante uma grande venda, eles podem garantir que haja quantidade certa para todo mundo. É como saber a quantidade perfeita de cupcakes para fazer para uma festa-ninguém sai de mãos vazias, e não tem sobras tristes.
Mas não é só sobre doces e produtos. Previsões precisas reduzem custos. Quando uma loja tem produto demais, pode acabar com taxas de armazenamento caras e recursos desperdiçados. Por outro lado, acabar o estoque pode significar vendas perdidas e clientes insatisfeitos. Nosso novo modelo tem como objetivo ajudar os varejistas a encontrar esse ponto ideal.
As Partes Técnicas-Mas Não Muito Técnicas
Desenhamos esse modelo, Decomposição de Atenção de Pico Dividida, para funcionar dividindo os dados em duas partes: o que aconteceu durante os picos e o que aconteceu em outros momentos. É como manter o controle de dois cadernos separados-um para suas anotações normais e outro para quando a banda do seu amigo vem tocar na cidade.
Em vez de tentar entender todo o barulho, nosso método foca no que é essencial nesses momentos de pico. O uso de indicadores causais ajuda a reconhecer quando um pico vai acontecer e mascara esses momentos. Assim, o algoritmo não se distrai com cada pequeno aumento na demanda.
Uma Melhor Maneira de Prever
Prever com precisão significa considerar vários fatores-não só o que aconteceu no passado, mas também o que está por vir. Por exemplo, saber quando vão ter vendas, feriados ou promoções pode mudar drasticamente as previsões. Nosso modelo leva isso em conta, usando dados de vendas passadas junto com informações fixas sobre os produtos.
Essa etapa é crucial. Imagine uma loja vendendo casacos de inverno durante o verão-ninguém quer comprar um casaco pesado durante uma onda de calor! Mas com nosso modelo, os varejistas podem se planejar até para vendas fora de temporada, garantindo que estão prontos quando os clientes aparecerem. É tudo sobre antecipar necessidades e estar preparado para o que vier.
Espiando o Futuro
Enquanto nosso modelo mostra grande potencial, acreditamos que ainda há espaço para melhorias. Atualmente, o sistema depende de indicadores passados para prever a demanda futura. No entanto, incorporar técnicas mais novas que olham os dados sem suposições anteriores pode levar a previsões ainda mais inteligentes. Isso poderia ajudar a reconhecer os picos antes mesmo de acontecerem!
Considere isso como ler as folhas de chá em vez de esperar pelas notícias. Estar à frente é sempre uma vitória!
A Mensagem Final
Em um mundo onde a demanda pode mudar em um piscar de olhos, ficar um passo à frente é essencial. O modelo Decomposição de Atenção de Pico Dividida oferece um passo promissor na direção certa, permitindo prever com mais precisão, especialmente durante aqueles eventos de pico cruciais.
Dividindo a demanda em partes gerenciáveis, filtrando o barulho desnecessário e prestando atenção especial a esses picos importantes, conseguimos atender melhor os negócios e seus clientes. Pense nisso como planejar a festa perfeita-garantindo que haja bolo suficiente para todo mundo, sem precisar de uma segunda geladeira para guardar as sobras.
Com métodos de previsão melhores, abrimos caminho para decisões mais inteligentes, menos erros e, em última análise, clientes mais felizes. Afinal, quem não gostaria de evitar o estresse de excesso de estoque ou vendas perdidas? Vamos manter essas prateleiras abastecidas e as vendas fluindo! 🎉
Título: $\spadesuit$ SPADE $\spadesuit$ Split Peak Attention DEcomposition
Resumo: Demand forecasting faces challenges induced by Peak Events (PEs) corresponding to special periods such as promotions and holidays. Peak events create significant spikes in demand followed by demand ramp down periods. Neural networks like MQCNN and MQT overreact to demand peaks by carrying over the elevated PE demand into subsequent Post-Peak-Event (PPE) periods, resulting in significantly over-biased forecasts. To tackle this challenge, we introduce a neural forecasting model called Split Peak Attention DEcomposition, SPADE. This model reduces the impact of PEs on subsequent forecasts by modeling forecasting as consisting of two separate tasks: one for PEs; and the other for the rest. Its architecture then uses masked convolution filters and a specialized Peak Attention module. We show SPADE's performance on a worldwide retail dataset with hundreds of millions of products. Our results reveal a reduction in PPE degradation by 4.5% and an improvement in PE accuracy by 3.9%, relative to current production models.
Autores: Malcolm Wolff, Kin G. Olivares, Boris Oreshkin, Sunny Ruan, Sitan Yang, Abhinav Katoch, Shankar Ramasubramanian, Youxin Zhang, Michael W. Mahoney, Dmitry Efimov, Vincent Quenneville-Bélair
Última atualização: 2024-11-06 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2411.05852
Fonte PDF: https://arxiv.org/pdf/2411.05852
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.
Ligações de referência
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/6177831544?endpoint=FE
- https://forecasting-launchpad.scot.amazon.dev/#/notebooks/notebook/9130613197?endpoint=FE
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/1322567863?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/5720466294?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/2632247605?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/8506285216?endpoint=EU
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/3816467702?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/7864262981?endpoint=FE
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/5243424964?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/4922346390?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/0882810085?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/5538502109?endpoint=EU
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/7504719738?endpoint=FE
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/4070321856?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/3883874238?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/8805236893?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/4382812411?endpoint=EU
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/2460642177?endpoint=NA
- https://forecasting-launchpad.scot.amazon.dev/#/backtest/launchpad:backtest/6650322063?endpoint=FE
- https://code.amazon.com/packages/ForecastingDeepTS/trees/heads/v2-mainline/--/tutorials/splitformer_example
- https://nips.cc/public/guides/CodeSubmissionPolicy
- https://neurips.cc/public/EthicsGuidelines
- https://ctan.org/pkg/pifont