Construire un pipeline de prévision de la demande SKU-emplacement avec BigQuery ML

Ce tutoriel décrit un modèle pratique pour construire un pipeline de prévision SKU-emplacement évolutif avec BigQuery ML tout en maintenant la validation opérationnelle dans la boucle.

1. Façonner les séries de demande

Transformer les transactions en séries temporelles SKU-emplacement cohérentes. Résoudre les périodes manquantes, les effets de rupture de stock, les retours et les problèmes de calendrier avant l'entraînement.

2. Définir une référence

Créer une prévision de référence simple et la conserver aux côtés de la sortie machine-learning. L'échelle ne supprime pas le besoin d'un modèle de référence.

3. Entraîner et prévoir

Utiliser un modèle de séries temporelles adapté aux données et produire à la fois des prévisions ponctuelles et des informations d'incertitude lorsque disponibles.

4. Évaluer par cohorte

Regrouper les séries par longueur d'historique, intermittence, volatilité et importance commerciale. Promouvoir les modèles uniquement sur les cohortes où ils surpassent la référence.

5. Matérialiser les sorties prêtes pour le planificateur

Stocker ensemble la prévision, l'horizon, les informations de confiance, la version du modèle et le statut de validation afin que les systèmes de planification en aval puissent distinguer les sorties expérimentales des sorties approuvées.

6. Automatiser l'actualisation et la surveillance

Planifier le réentraînement et suivre la fraîcheur, le biais et la dégradation des cohortes. La revalidation doit faire partie du pipeline plutôt que d'être un contrôle projet ponctuel.

Contrôles d'échec

• Règle d'historique minimum.
• Indicateur de demande intermittente.
• Évaluation sur données de validation.
• Surveillance du biais.
• Contrôle de fraîcheur des données.