Jak w SageMakerze prognozować popyt na butle do aparatów powietrznych?
Coraz więcej magazynów służb i firm BHP mierzy się z nieregularnym popytem. Butle do aparatów powietrznych nie schodzą równo co tydzień. Zakupy często idą partiami, po przetargach, szkoleniach lub przeglądach. To utrudnia planowanie zapasów.
Uczenie maszynowe w Amazon SageMaker pomaga przewidzieć te wahania. W artykule pokazuję, jak przygotować dane, jakie modele wybrać i jak dowieźć prognozy do systemu magazynowego. Bez żargonu i z myślą o praktycznym wdrożeniu.
Jak przygotować dane sprzedażowe do prognozowania popytu?
Trzon to regularna seria czasowa dla każdego indeksu oraz kontekst dostępności i dostaw.
Zacznij od wyboru poziomu agregacji. Dla powolno rotujących pozycji najczęściej sprawdza się agregacja tygodniowa. Horyzont prognozy powinien obejmować czas realizacji dostaw oraz bufor bezpieczeństwa. Połącz dane z WMS, ERP i zamówień. Zadbaj o flagi, które wyjaśniają nietypowe zera lub skoki. To pozwala odróżnić brak sprzedaży od braku towaru. W SageMaker przechowuj dane w Amazon S3 i wersjonuj zestawy do treningu i walidacji.
Przykładowe kolumny:
timestamp, sku, ilość sprzedana lub wydana
stan na koniec okresu, rezerwacje, wstrzymania
lead time dostaw i terminy oczekiwanych dostaw
flaga stockoutu i dostępność
typ klienta lub kanał (jeśli różni się popyt)
cechy produktu, np. materiał, pojemność, ciśnienie
kalendarz, święta, koniec roku budżetowego
zdarzenia specjalne, np. przeglądy, szkolenia, przetargi
Jak uwzględnić specyfikę butli do aparatów powietrznych w cechach?
Dodaj cechy stałe produktu i cechy zdarzeń, które realnie wpływają na zakupy.
Butle do aparatów powietrznych mają długi cykl życia i formalne przeglądy. W popycie widać partie zakupowe oraz wymiany po określonych interwałach. Warto zakodować materiał wykonania, pojemność i ciśnienie, bo wpływają na rotację i budżety. Użyteczne są też flagi przetargów i grantów, cykle szkoleniowe oraz zdarzenia operacyjne. Dzięki temu model lepiej rozumie nieregularne skoki.
Przykładowe cechy:
stałe: materiał butli, pojemność, ciśnienie robocze, kompatybilność z zestawami
kalendarz: miesiąc, kwartał, koniec roku budżetowego
operacyjne: zaplanowane przeglądy i legalizacje, okna szkoleniowe
logistyczne: czas dostawy, minimalne partie zamówień
popytowe: historyczne backordery i niezrealizowane zapotrzebowanie
Jakie modele w SageMakerze sprawdzą się do prognoz czasowych?
Najczęściej użyteczne są modele sekwencyjne oraz gradientowe z cechami.
W SageMaker dobrze sprawdzają się:
DeepAR Forecasting do wielu szeregów i nieregularnych skoków
Temporal Fusion Transformer z kanałem znanych przyszłych cech, np. kalendarz i zdarzenia
XGBoost trenowany jako regresja na popyt z bogatymi cechami kalendarzowymi i produktowymi
Random Cut Forest do wykrywania anomalii, które można oznaczyć przed treningiem
Modele dostępne w SageMaker JumpStart, w tym gotowe notatniki do prognoz popytu
W przypadku bardzo rzadkich wydań można rozważyć podejście dwuetapowe. Najpierw model klasyfikacyjny przewiduje wystąpienie zakupu, a potem model regresji wielkość partii.
Jak radzić sobie z sezonowością i nagłymi skokami popytu?
Wprowadź cechy kalendarzowe i obsługę zdarzeń oraz pracuj na kwantylach.
Skoki popytu wynikają z przetargów, przeglądów i szkoleń. Pomaga:
agregacja tygodniowa i znane z wyprzedzeniem cechy kalendarzowe
flagi zdarzeń oraz ich intensywność jako zmienne wejściowe
prognozy kwantylowe, które dają przedziały niepewności dla zapasu bezpieczeństwa
wykrywanie anomalii przed treningiem i etykietowanie ich jako zdarzenia, a nie szum
osobne modele lub grupowanie SKU o podobnej dynamice, np. stalowe vs kompozytowe
Jak ocenić i walidować jakość prognoz dla zapasów?
Stosuj backtesting z oknami kroczącymi i metryki odporne na zera oraz koszty biznesowe.
Do oceny jakości użyj:
wMAPE, sMAPE i MASE zamiast czystego MAPE
pinball loss i pokrycie przedziałów dla prognoz kwantylowych
metryki biznesowe: poziom obsługi, dni braku towaru, nadwyżka zapasu
Waliduj na kilku odsuniętych horyzontach. Sprawdzaj jakość na poziomie SKU oraz skumulowanej kategorii. Porównuj z naiwną metodą i prostą średnią ruchomą. W SageMaker łatwo zautomatyzować backtesting w pipeline i raportować wyniki do panelu.
Jak wdrożyć model prognozowania w produkcji w SageMakerze?
Zbuduj powtarzalny pipeline, wersjonuj artefakty i monitoruj jakość.
Typowy przepływ:
pobranie i przetwarzanie danych w SageMaker Processing lub AWS Glue
trening i walidacja, zapis modelu do Model Registry
wdrożenie jako Batch Transform do prognoz okresowych lub endpoint czasu rzeczywistego
harmonogram uruchomień przez Amazon EventBridge
monitoring driftu i metryk przez SageMaker Model Monitor oraz alerty
Wszystkie artefakty trzymaj w Amazon S3. Dzięki temu masz ślad audytowy i łatwy rollback.
Jak zintegrować prognozy z systemem zarządzania magazynem?
Eksportuj prognozy do WMS jako plik lub przez API i przeliczaj parametry uzupełniania zapasu.
Dostarczaj:
prognozy P50, P90 na kolejne tygodnie
rekomendowany zapas bezpieczeństwa na podstawie zmienności i czasu dostawy
punkt ponownego zamówienia oraz sugestie partii zlecenia
flagi wykrytych zdarzeń, które miały wpływ na prognozę
W praktyce wystarcza cykliczny eksport do S3 i integracja przez zadanie ETL. Dla bardziej dynamicznych procesów użyj endpointu, który zwraca prognozę na żądanie.
Gotowy wdrożyć prognozowanie popytu w swoim magazynie?
Prognozowanie popytu na butle do aparatów powietrznych wymaga uwzględnienia nieregularnych zakupów, długich dostaw i wymogów przeglądów. SageMaker pozwala połączyć dane operacyjne z modelami, które zwracają nie tylko liczby, lecz także niepewność. To przekłada się na lepszy poziom obsługi i mniejsze ryzyko braków oraz zamrożonego kapitału.
Przejdź od danych do działania i uruchom pierwszy pipeline prognoz w SageMaker, aby z wyprzedzeniem planować zamówienia i stabilny stan magazynu.
