“Kendi kendini yitiren” bir tahmin modeliyle nasıl baş edilir?

Bir ML uzmanının büyük bir perakendeciden, stok olaylarını tahmin etmek için bir model geliştirdikleri bir sunumunu izliyordum.

Bir anlığına, zaman içinde modellerinin çok doğru olduğunu varsayalım, bir şekilde "kendi kendini yitirmez" olmaz mı? Yani, eğer model gerçekten iyi çalışıyorsa, o zaman stok olaylarını önceden tahmin edebilecek ve onlardan kaçınabilecek, sonuçta stoklarında az veya hiç olamayacakları bir noktaya gelebileceklerdir. Fakat eğer öyleyse, modellerini çalıştırmak için yeterli tarihsel veri olmayacak, ya da modelleri raydan çıkacak, çünkü bir stoklama olayını belirtmek için kullanılan aynı nedensel faktörler artık böyle yapmıyor.

Böyle bir senaryo ile başa çıkma stratejileri nelerdir?

Buna ek olarak, bunun tersi bir durum da düşünülebilir: Örneğin, bir tavsiye sistemi, iki madde gerçekten olmasa bile, tavsiye sisteminin çıktısı tarafından yönlendirilen madde çiftlerinin satışlarının artmasıyla birlikte “kendi kendine yeten bir kehanet” haline gelebilir. ilgili.

Hem bana göre tahmin edicinin çıktısı ile buna dayanarak yapılan eylemler arasında ortaya çıkan bir tür geri besleme döngüsünün sonuçları gibi görünüyor. Böyle bir durumla nasıl başa çıkılabilir?

Stokta yok (OOS) algılama modelinin kendiliğinden raydan çıkmasına neden olabilecek iki olasılık vardır:

1. Girişler ve OOS arasındaki ilişki zaman içinde değişebilir. Örneğin, promosyonlar daha yüksek OOS'lere yol açabilir (promosyon satışlarının normal satışlardan daha zordur, kısmen sadece ortalama satışların artmasıyla değil aynı zamanda satışların değişkenliğini ve “zor tahmin” de sık sık OOS'a çevrilir), ancak sistem ve kullanıcıları bunu öğrenebilir ve promosyonlar için ek stokta bulunabilir. Bir süre sonra, promosyonlarla OOS arasındaki orijinal ilişki artık geçerli değil.

   Bu genellikle "model kayması" veya benzeri olarak adlandırılır . Modelinizi uyarlayarak üstesinden gelebilirsiniz. En yaygın yol, girdilerin farklı ağırlıklandırılmasıdır ve daha eski gözlemlere daha az ağırlık verilmesidir.

2. Bir yordayıcıyla OOS arasındaki ilişki değişmezse bile, yordayıcının dağılımı değişebilir. Örneğin, belirli bir stok tutma biriminin (SKU) sıfır satışı ile birden fazla gün bir OOS sinyalini verebilir - ancak model iyi performans gösterirse, OOS pano genelinde azaltılabilir ve yalnızca sıfır satış dizisi kadar olmayabilir .

   Bir tahmincinin dağıtımındaki değişiklikler sorun olmamalıdır. Modeliniz daha düşük bir OOS olasılığı ortaya çıkaracaktır.

Sonunda, muhtemelen fazla endişelenmenize gerek yok. Asla sıfır OOS olmayacak. Yukarıdakiler gibi geri bildirim mekanizmaları meydana gelir, ancak OOS tamamen ortadan kaldırılıncaya kadar çalışmazlar.

• Bazı bekleyen OOS basitçe önlenebilir olmayabilir. "Rafta bir ünitem var ve önümüzdeki hafta beşe kadar talep isteyeceğim, ancak bir sonraki teslimat bugünden sadece bir hafta sonra olacak."
• Bazı OOS'lar, zaman zaman biliniyor olsalar bile , önlenebilir olsalar bile, tahmin etmek çok zor olacaktır . "Paleti forkliftten indireceğimizi ve tüm ürünü imha edeceğimizi bilseydik, bir tane daha sipariş ederdik."
• Perakendeciler yüksek hizmet seviyesi hedeflemeleri gerektiğini, ancak% 100 başarı sağlayamadıklarını biliyorlar. İnsanlar gelir ve belirli ürünlerdeki tüm hisselerinizi satın alır. Bunu tahmin etmek zordur (yukarıya bakın) ve raflarınızı doldurmalarını istemeyeceğiniz kadar nadir görülür. Pareto yasasını karşılaştırın:% 80 (hatta% 90) hizmet seviyesine ulaşmak oldukça kolaydır, ancak% 99.9 daha zordur. Bazı OOS'lara bilinçli olarak izin verilir.
• Moore yasalarına benzer bir şey var : ML ne kadar iyi olursa, beklentiler o kadar artacak ve insanlar için model zorlaşacaktır. OOS algılama (ve tahmin etme) algoritmaları gelişirken, perakendeciler hayatımızı daha zor hale getirmekle meşgul.
  • Örneğin değişken çoğalma yoluyla. OOS'u, dört yoğurt tadı üzerinde tespit etmek, yirmi farklı tada göre daha kolaydır. Niye ya? Çünkü insanlar beş kat fazla yoğurt yemiyorlar. Bunun yerine, hemen hemen hiç değişmeyen toplam talep şimdi SKU'ların beş katı kadar dağıtılıyor ve her bir SKU'nun stoğu eskisi kadar yüksek. Uzun Kuyruk genişliyor ve sinyaller zayıflıyor.
  • Veya kendi cihazınızı kullanarak mobil ödeme yapmanıza izin vererek. Bu , madenciliği engellemenin psikolojik engellerini azaltabilir , bu nedenle sistem stokları zaten olduğundan daha kötü olacak ve elbette, sistem stokları OOS için muhtemelen en iyi tahmin ediciydi, bu nedenle kapalıysa model bozulacaktır.

On iki yıldan fazla bir süredir perakende satış tahmininde çalışmaktayım, bu yüzden bu gelişmeler hakkında bir fikrim var.

Karamsar olabilirim, ancak diğer ML kullanım durumlarında OOS tespitinden çok benzer etkilerin iş başında olduğunu düşünüyorum. Ya da belki bu karamsarlık değildir: bu, sorunların muhtemelen asla “çözülmeyeceği” anlamına gelir, bu yüzden onlardan sonra bile bizim için çalışacağız.

Bir sisteme müdahale etmeyle ilgili kararları desteklemek için bir model kullanıyorsanız, o zaman mantıksal olarak, model belirli bir müdahale için şartlandırılmış sonucu tahmin etmelidir . Sonra ayrı kullanarak, gereken optimize etmek seçmek iyi beklenen sonuç ile müdahale. Kendi müdahalenizi tahmin etmeye çalışmıyorsunuz.

Bu durumda, model talebi (doğrudan kontrol edemediğiniz değişkeni) tahmin edebilir ve bu durum, stok seçimi ile birlikte, stokta olmayan bir olayla sonuçlanıp sonuçlanmamasına neden olur. Talebin doğru bir şekilde tahmin edilmesi için model , işi olduğu için “ödüllendirilmeye” devam etmelidir . Out-of-stock olayları ile birlikte bu değişkenin bağlı olacaktır sizin çorap seçimi.

Büyük olasılıkla stok olaylarının ne zaman gerçekleştiğini takip edebilirsiniz. Öyleyse, stoğun ne zaman tükeneceğini hesaplamak bir aritmetik meselesiydi, model stok stoklamak için kullanılmadı.

Bu, pozitif stok seviyesinin satış seviyesinden bağımsız olduğunu varsayar. Bir yorumcu, bu varsayımın gerçekte geçerli olmadığını söylüyor. İki yolu da bilmiyorum - Perakende veri setleri üzerinde çalışmıyorum. Ancak bir sadeleştirme olarak, benim önerdiğim yaklaşım, karşı-akıl yürütme kullanarak çıkarımlar yapma imkanı veriyor; Bu sadeleştirmenin anlamlı bir içgörü veremeyecek kadar gerçekçi olmaması veya olmaması, size bağlıdır.

Senaryonun ekonomideki Lucas Eleştirisi'ne çok benzerliği var . Makine öğreniminde buna " veri kümesi kaydırma " denir .

@Sycorax'ın dediği gibi, açıkça modelleyerek üstesinden gelebilirsiniz.

Hatırlanması gereken bir şey, ML'nin araçsal bir amaç olduğu. Sonuçta, stok olaylarını tahmin etmek istemiyoruz, stok olaylarını önlemek istiyoruz. Stoktaki olayları önceden tahmin etmek, sadece bunun için bir araçtır. Tip II hataları söz konusu olduğunda, bu bir sorun değil. Ya OOSE olmaya devam ediyoruz, bu durumda modelimizi eğitecek verilerimiz var ya da bu modelin ele almak için yarattığı sorunun çözüldüğünü bilmiyoruz. Sorun ne olabilir Tip I hataları. Bir Ayı Devriyesine düşmek kolaydıryanlış, Y'yi önlemek için inşa edilmiş bir X sistemine sahipseniz, Y'yi göremezsiniz, bu nedenle X'in Y'yi önlediği sonucuna varırsınız ve X'i kapatma girişimleri temelde reddedilir "Ama bu iyi bir iş yapıyor Y önleniyor! " Örgütler pahalı programlara kilitlenebilir çünkü hiç kimse Y'nin geri dönmesi riskini almak istemez ve bu olasılığa izin vermeden X'in gerçekten gerekli olup olmadığını bulmak zordur.

Daha sonra bir kontrol grubu elde etmek için ara sıra ne kadar yer almaya istekli olduğunuzu (modelinize göre) alt bir davranış haline getirin. Bu, herhangi bir aktif araştırmanın bir parçası: etkili olduğunu düşündüğünüz bir ilacınız varsa, ilacın aslında etkili olduğunu onaylamayacak bir kontrol grubuna sahip olmalısınız.