As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# FAQs sobre o uso do aprendizado de máquina para prever a demanda de novos produtos
A seguir estão as perguntas frequentes relacionadas à implementação de um modelo de ML que prevê a demanda por lançamentos de novos produtos.
## Quem devo mobilizar para iniciar o processo?
A prontidão de uma organização é diretamente influenciada pela quantidade de apoio que você tem da alta gerência. Recomendamos que você obtenha a aprovação dos gerentes do departamento de análise ou ciência de dados, cadeia de suprimentos, marketing e TI. Solicite apoio de outras partes interessadas e líderes, conforme apropriado para sua organização.
## Que tipo de equipe devo montar?
Para entregar a iniciativa com sucesso e produzir resultados mensuráveis, monte uma equipe que inclua:
+ Cientistas de dados para desenvolvimento de modelos
+ Engenheiros de dados para coleta e ingestão de dados
+ Engenheiros de aprendizado de máquina para implantação de modelos e um painel de autoatendimento
+ Especialistas no assunto para especialização no domínio
## Quais dados históricos eu preciso e de quanto?
Considere adquirir os seguintes dados:
+ Dados de vendas de todos os produtos similares, desde o lançamento até a descontinuação.
+ Metadados que descrevem as características e os atributos do produto. Exemplos desses atributos para produtos CE podem ser capacidade Bluetooth, recursos sem fio, tipo de USB e cor.
+ Dados relevantes de séries temporais relacionados aos dados de vendas, como dados de marketing, dados de feriados, dados de avaliações e dados de classificação.
**nota**
É vantajoso se você puder estender os dados relevantes da série temporal até o horizonte de previsão para inferência do modelo. Por exemplo, se os dados relacionados da série temporal forem feriados, você poderá estender os dados da série temporal dos feriados para o futuro porque conhece os feriados com antecedência.
## Quando devo começar a gerar uma previsão de demanda para um novo produto?
Essa é uma decisão comercial que cada organização precisa tomar. Idealmente, uma organização deve usar a previsão para atender à demanda pelo novo produto. É recomendável gerar uma previsão de demanda de NPI semanal ou mensal antes de começar a fabricar o novo produto. A previsão ajuda você a estimar adequadamente as peças e a mão de obra.
## Quais dados de terceiros devo coletar?
Você pode considerar adicionar os seguintes dados de terceiros para obter uma previsão mais precisa: índice do consumidor, proxies de custo de vida e histórico de vendas da concorrência. Esses dados de terceiros seriam considerados dados de séries temporais relacionados. Considere obter esses dados no mesmo período de tempo que seus dados de vendas e na mesma periodicidade (como diariamente ou semanalmente).
## Qual é a infraestrutura mínima de que eu preciso?
No mínimo, a infraestrutura deve suportar o seguinte:
+ Pipelines de ingestão de dados, em que os dados são coletados em lote ou por meio de modos de streaming
+ Um pipeline ETL de pré-processamento que extrai e transforma os dados brutos em formatos de entrada padronizados para modelagem de ML
+ Um ambiente de desenvolvimento para desenvolvimento, experimentação e validação de modelos
+ Um pipeline de [integração contínua e implantação contínua (CI/CD)](apg-gloss.md#glossary-cicd) que coloca o modelo de ML em produção
+ Mecanismos para registro, monitoramento e reciclagem de modelos
+ Uma camada de segurança que criptografa [dados em trânsito](apg-gloss.md#glossary-data-in-transit) e [dados em repouso](apg-gloss.md#glossary-data-at-rest) e fornece controle de acesso [refinado](apg-gloss.md#glossary-fgac)
## Como posso validar se minha abordagem baseada em dados é eficaz? O que é o KPIs?
Cada iniciativa de ciência de dados ou solução baseada em dados precisa ser validada em relação a um conjunto de indicadores-chave de desempenho (). KPIs Isso KPIs pode ser uma medida de quão próxima a previsão do modelo está da demanda real. Você pode gerar essa métrica para diferentes períodos de tempo, como previsões de 1 semana ou 1 mês no futuro. Você também pode medir diretamente quantas peças foram encomendadas em excesso ou subencomendadas, com base na previsão gerada pelo modelo. As partes interessadas e a alta gerência devem elaborar cuidadosamente um conjunto KPIs que acompanhe o desempenho do modelo. Use-os KPIs para determinar se o ROI está atendendo às expectativas.
## Com que frequência devo gerar as previsões?
A frequência da previsão depende de dois fatores. Quão estreitamente conectada você deseja que a previsão esteja aos conjuntos de dados de séries temporais disponíveis? Quão variáveis são os dados dos conjuntos de dados de séries temporais relacionados? Em geral, a geração frequente de previsões pode ajudar sua organização a se preparar adequadamente para atender à demanda pelo novo produto.
## Como faço para ativar o autoatendimento?
À medida que a capacidade aumenta, a organização deve desenvolver uma infraestrutura de autoatendimento que automatize a ingestão de dados, o pré-processamento e o pipeline de treinamento de modelos para geração de previsões. Os resultados e o impacto do modelo de ML devem ser medidos e publicados em um painel para acesso sob demanda.
## Como os AWS preços funcionam?
Para obter mais informações, consulte [Preços do AWS](https://aws.amazon.com/pricing/).