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


36

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?


7
(+1) Yüksek öğretimi içeren bazı benzer durumlarda, insanlar “kendini esneten” modelinden bahseder. Kolej yetkilileri, modelleri kullanarak, belirli kayıt ve maddi yardımla ilgili hedeflere ulaşmak için maddi yardımda bulunurlar, bunun sonucunda, sonuçta, aday öğrencilerin kayıt kararlarının maddi yardım ödülüne göre daha az ve daha az belirlenebilir olduğunu bulmak için .
rolando2

Bu soruya genel olarak cevap vermek zordur, çünkü duruma biraz bağlıdır. Çıkma durumlarında iyi çözümler vardır, ancak tavsiye durumunda, modeliniz biraz kurallayıcı hale gelirse, sadece büyük bir sorun olmayabilir.
Dennis Jaheruddin

Yanıtlar:


15

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.


Özellikle son yorumunuzla aynı fikirdeyim. Bu senaryonun en kötü hali tam istihdam / ücretsiz öğle yemeği teoremi için başlangıç ​​noktası gibi gözüküyor. IMO bu ilginç bir soru kılan nedir?
gönderen

26

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.


2
Bu tam olarak pratikte nasıl çözüldüğüdür. Sürücü faktörlerini anlamayan, ancak insanların varsayımları anlayamasalar da çarşamba günü stok sayısının çok sınırlı olacağını öngören kara kutu modeli. (Modelin yerinde olmadığı iddiasıyla).
Dennis Jaheruddin

@DennisJaheruddin: Öte yandan, zamanında yeniden sipariş verilmesine rağmen ürünün ne zaman stokta kalacağını tahmin edebilecek bir model yapın ve bir öldürme yapabilirsiniz.
Joshua,

1
Bundan biraz daha karmaşık, çünkü kullandıkları modelde talep sinyali sadece bir faktördü. Fakat aynı zamanda, mağazanın koşullarına bağlı olarak, stokun mağazanın içinde bulunduğu ancak rafta olmadığı durumları hesaba katmak için başka faktörler de kullandılar (Örneğin, arka odada veya müşteri değiştiği için yazar kasa veya hizmet masalarından birinde) son dakikada akıllarını). Bunun için sadece talep değil diğer nedensel itici güç kullanıyorlardı.
Monica'yı

@ Karmaşıklığın sadece, modelin onları açıkça temsil edip etmediğine bakılmaksızın, farklı yerleri yöneten basit arz / talep mekanizmalarının bir ağına bağlı olduğunu. Modelin hedefi, talep seviyesini tahmin etmek olarak daha doğru bir şekilde tanımlanmaktadır, talep değil, ancak bu, özellikle stokun bulunduğu yerde ağ (raf) noktasında hem arz hem de talepte kontrol edilemeyen faktörler olduğunu özellikle düşünüyorsanız seviyeleri önemlidir. Daha fazla stok sipariş etmek ya da rafları daha düzenli bir şekilde yenilemek için personel bulundurmak gibi müdahalelerin hala modelde etkenler olması gerekmektedir.
Will

Talebin stoklara göre değişme ihtimalinden bahsetmek isteyebilirsiniz.
Yakk

9

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.


Sanırım bunun soruyu nasıl cevapladığını anlamıyorum. Anladıkları gibi problemler şunlardır: (a) Modelin üretimde uygulanmasından sonra, stoklar için en uygun tahmin fonksiyonu şimdi eskisinden farklıydı, çünkü veri dağılımını değiştirdik; (b) Modelimiz ne kadar iyi olursa, stok durumu o kadar nadir gerçekleşir ve bu yüzden onların ileriye dönük olarak doğru bir şekilde tahmin etmeleri zorlaşır. "Stok modeli eksikleri tamamlamak envanter için kullanılan olmasaydı tükenmiş olacağını zaman" bilerek ne burada ne de modeli artık üretimde olduğu için
Jake Westfall

@JakeWestfall Bu tür analizlere karşı-akıl yürütme denir. Her zaman envanteri biliyorsanız ve ne zaman yeniden stoklandığını biliyorsanız, o zaman stoklamanın gerçekleşmediğini varsayan bir karşı taraf oluşturabilirsiniz: yalnızca stok oluşturulduktan sonra stokları çıkartın. Şimdi hiç doldurmadığınız varsayımı yansıtan bir zaman seriniz var. Bu zaman serisini stoklanana kadar ileriye götürün. Artık stokların stoklanmadan ne zaman gerçekleşeceğini biliyorsunuz. Bu karşı tarafın farklı bir veri dağılımı nasıldır?
Monica'yı

Hepsini anlıyorum. Anlamadığım şey, bunun OP'de gündeme getirilen sorunları nasıl çözdüğü. Örneğin, hisse senetlerinin güçlü bir tahmincisi, ayın ilk günü olup olmadığını (birçok kişiye para ödendiğinde) olduğunu varsayalım. Yeni modelimizi kullanarak, her ayın sonlarına yakın bir yerde daha fazla birim sipariş ederek bu stok olaylarından kaçınabiliriz. Yani şimdi "ayın ilk günü" artık ilerlemekte olan stokların faydalı bir göstergesi olmayacak. Gerçekten de, ayın ilk ayındaki bir hissenin karşı-fiili olasılığını, önleyici olarak sipariş etmediğimizden hesaplayabilirdik, ama bu bize tam olarak nasıl yardımcı oldu?
Jake Westfall

2
Bu bize yardımcı olur çünkü stokun gerçekleşmemesi durumunda size stokta karşıt bir olasılık verir. OP, stokların oluşumunu azaltan bir modelin ham verilerde mevcut stokların oluşumuna sahip olmayacağı gerçeğini “nasıl ele alacağınızı” soruyor. Demek istediğim şu ki, stokların gerçekleşme karşıtlığı hakkında çıkarımlar yapabilir ve bunu bir vekil olarak kullanabilirsiniz. Ne tür bir yardım istedin?
Monica'yı

1
@Sycorax: Satın alma davranışının rafta görünen öğe sayısından etkilenmediğini varsayıyorsunuz. Bu geçersiz bir varsayım. Etkisi zayıf olabilir, ancak yok.
Ben Voigt


2

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.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.