本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
新产品需求预测的最佳实践
本节讨论以下新产品需求预测的最佳实践：
满足数据驱动型 NPI 需求预测的数据准备要求
要采用数据驱动的方法进行 NPI 需求预测，您的组织应获得所有相关利益相关者的支持，例如数据科学或分析部门、供应链、营销和 IT 部门的经理。然后，您的组织应确定以下内容：
-
现有内部数据和相关外部数据的来源
-
这些数据源的所有者
-
为该计划使用这些数据源所需的程序和权限
您可以根据以下类型的必需数据集和可选数据集来评估您的数据准备情况。使用尽可能多的数据集（包括可选数据集）有助于机器学习模型生成更准确的 NPI 需求预测。
以下是必需的内部数据源的示例：
-
与即将推出的新产品具有相似属性的所有产品或部分产品的完整销售历史记录（从产品发布到停产）。销售历史可以来自多个销售渠道，也可以合并到所有渠道中。
-
产品属性映射，用于识别与正在发布的新产品具有相似属性的产品子集。
以下是可选内部数据源的示例：
-
跟踪类似产品的促销和折扣的营销数据。此数据应等于或大于销售历史记录的长度。
-
产品评论、评分和网络流量数据。此数据应等于或大于销售历史记录的长度。
-
消费者人口统计数据
以下是可以补充内部数据的可选外部数据源的示例：
-
消费者指数数据
-
竞争对手的销售数据
-
调查数据
构建经济实惠的数据摄取机制
满足您的数据准备要求后，您的组织可以选择最合适的数据摄取和数据存储机制。如果您的组织的主要销售数据来源是每天从不同的渠道收集的，请考虑批量摄取数据。如果您希望自助式预测能够从最新数据中受益，那么流式数据摄取是另一种选择。
原始数据摄取管道应使用提取、转换和加载 (ETL) 管道进行轻量化转换。管道应执行数据质量检查，并将处理后的数据存储在数据库中以供下游使用。
您可以使用 AWS 服务诸如 AWS GlueAmazon Data Fire hose 和亚马逊简单存储服务 (Amazon S3) Service 来实现经济高效的数据摄取和存储。AWS Glue Data Catalog AWS Glue是一项完全托管的无服务器 ETL 服务，可帮助您在不同的数据存储之间对数据进行分类、清理、转换和可靠地传输。的核心组件 AWS Glue 包括一个名为的中央元数据存储库 AWS Glue Data Catalog，以及一个自动生成 Python 和 Scala 代码并管理 ETL 作业的 ETL 作业系统。Amazon Data Firehose 可帮助您收集、处理和分析任何规模的实时流数据。Firehose 可以将实时流数据直接传送到数据湖（例如 Amazon S3）、数据存储和分析服务，以供进一步处理。Amazon S3 是一种对象存储服务，提供可扩展性、数据可用性、安全性和性能。
确定预测NPI需求的可行机器学习方法
根据具体用例，您的组织可以考虑不同的预测选项。
统计预测方法，例如巴斯扩散模型
如果新产品没有重大创新，则您的组织可以使用时间序列预测模型，这些模型基于与新产品最相似的产品的销售历史记录进行运算。您可以使用基于 ML 的预测算法，例如 A mazon AI SageMaker Deepar 预测算法，该算法可以使用来自多个类似产品的时间序列销售数据。这非常适合冷启动预测方案，即您想要生成时间序列的预测，但现有历史数据很少或根本没有。下图显示了如何使用相关产品的时间序列数据为新的类似产品生成预测。
您应该考虑生成与新产品发布时间表一致的预测。提前生成预测，以便为任何后勤修正留出足够的缓冲空间。
缩放和跟踪预测效果
在完成 NPI 需求预测的概念验证后，该解决方案最终应扩展到包括其他产品和多个区域。使用人工智能和机器学习 (AI/ML) 框架来准备数据以及开发、部署和监控模型。
下图演示了随着该组织NPI预测解决方案的成熟，启动和扩展策略。
还建议您设计解决方案，以便高管和利益相关者可以自助进行预测。例如，您可以创建 Amazon Quick Sight 控制面板，以便利益相关者可以按需访问最新的预测。
密切监控预测的准确性，并彻底调查偏差，以确保合理的投资回报率 (ROI)。如果您使用 Amazon A SageMaker I 模型监控器设置模型监控，则可以在模型对实时数据进行实时预测时跟踪其性能。您可以使用 Amazon SageMaker 模型控制面板查找违反您为数据质量、模型质量、偏见和可解释性设置的阈值的模型。有关更多信息，请参阅 Amazon A SageMaker I 文档中的使用监管来管理权限和跟踪模型性能。
