Czy DeepAR w SageMaker lepiej prognozuje popyt w Stal Poznań?

Coraz więcej firm stalowych szuka sposobu na stabilne planowanie zapasów w 2025 roku. Popyt faluje, terminy dostaw są niepewne, a koszty magazynu rosną. Pytanie brzmi, czy uczenie maszynowe faktycznie pomaga, czy tylko komplikuje proces.

W hurtowni z siecią magazynów, takiej jak Stal Poznań, dobra prognoza to różnica między brakiem towaru a zamrożonym kapitałem. W tym tekście pokazujemy, kiedy DeepAR w Amazon SageMaker ma sens, jak go uruchomić i jak uczciwie porównać z prostymi metodami.

Czy DeepAR rzeczywiście poprawi prognozy popytu dla Stal Poznań?

Tak, gdy jest wystarczająco dużo danych i produkty mają wspólne wzorce, DeepAR często przewyższa proste reguły.
DeepAR uczy się na panelu wielu indeksów jednocześnie. Dzięki temu przenosi wiedzę między podobnymi pozycjami. Dobrze radzi sobie z sezonowością tygodniową i roczną oraz ze zmianami trendu. Zyski są największe przy regularnych obrotach i stałych lead time. Warto dodać zmienne zewnętrzne, na przykład kalendarz budowlany, pogodę czy ceny. Jeśli asortyment jest bardzo rozdrobniony, a zamówienia rzadkie i nieregularne, przewaga nad prostymi metodami bywa mniejsza. Wtedy sprawdza się podejście hybrydowe. Część indeksów obsługuje DeepAR, a część pozostaje przy prostych, stabilnych regułach.

Jakie dane sprzedażowe i magazynowe są potrzebne dla DeepAR?

Wymagane są długie szeregi czasowe z jednej skali czasu oraz spójne cechy towarów i lokalizacji.
Najlepiej przygotować dane per indeks i magazyn w stałej częstotliwości, na przykład dziennej lub tygodniowej. Potrzebne są historyczne wolumeny wydania lub sprzedaży, stany na koniec okresu, przyjęcia, zamówienia w drodze i backorder. Ważne są także czasy dostaw dostawców, minimalne partie i kalendarz pracy. Warto dodać zmienne wyjaśniające, na przykład ceny, akcje promocyjne, przerwy technologiczne, dni wolne i pogodę. Dla stal poznań przydają się wskaźniki sezonu budowlanego oraz lokalne święta. Zalecana długość historii to co najmniej dwa pełne cykle sezonowości. Dane muszą być oczyszczone z błędów, zdeduplikowane i ujednolicone.

Jak uwzględnić sezonowość i skoki zamówień w modelu DeepAR?

Sezonowość modeluje się częstotliwością danych i cechami kalendarzowymi, a skoki zamówień przez flagi zdarzeń i dobre funkcje kosztu.
DeepAR uczy się sezonowości z samego szeregu, lecz warto mu pomóc. Dodaje się cechy, na przykład numer tygodnia, dzień tygodnia i informacje o świętach. Gdy popyt rośnie w sezonie budowlanym, można dodać indeks sezonu lub pogodę. Skoki zamówień wywołane przetargami czy dużymi projektami opisuje się flagami zdarzeń lub prognozuje na poziomie agregacji grupy produktów. Rozkład ujemno dwumianowy pomaga przy liczeniu sztuk i wielu zerach. Przedziałowe prognozy, na przykład P50 i P90, pozwalają ustawić zapas bezpieczeństwa bez zbędnego nadmiaru.

Jak uruchomić DeepAR w usłudze chmurowej i zintegrować dane?

Najpierw buduje się prosty potok danych do chmury, potem trenuje model i zwraca prognozy z batcha lub endpointu.
Źródłem jest system ERP lub WMS. Dane trafiają do chmury plikami w stałym formacie. Przydaje się prosty ETL, który czyści, agreguje i waliduje zakresy dat. W SageMaker można rozpocząć od środowiska Studio. Trening korzysta z kontenera DeepAR, gdzie ustawia się częstotliwość, długość okna i horyzont prognozy. Wytrenowany model zapisuje się w rejestrze modeli. Prognozy można wyliczać wsadowo i odkładać do plików, a następnie zasilać nimi planowanie zakupów. W dojrzałej wersji działa harmonogram dzienny oraz monitoring jakości w czasie.

Jak porównać skuteczność DeepAR z prostymi metodami prognozowania?

Porównanie robi się przez backtest z wieloma oknami i z jasnymi regułami akceptacji.
Warto zbudować zestaw bazowy, na przykład naiwna ostatnia wartość, sezonowa naiwna, średnia krocząca i wygładzanie wykładnicze. Dla pozycji o rzadkich zamówieniach dodaje się metodę Crostona lub jej warianty. Stosuje się testy z przesuwanym początkiem prognozy i kumuluje wyniki dla wielu okien. Porównuje się nie tylko średnie błędy, lecz także błędy ważone wolumenem oraz błędy dla rodzin produktów i magazynów. Wynik ocenia się również w wskaźnikach biznesowych, takich jak poziom obsługi, brak towaru i rotacja.

Jakie metryki jakości prognoz najlepiej ocenią hurtownię stali?

Najbardziej użyteczne są metryki ważone oraz miary ryzyka niedoboru i nadmiaru.
Dobrze sprawdzają się wMAPE i MAE ważony udziałem obrotu. Przydatne są sMAPE i RMSE na poziomie zagregowanym. Warto śledzić bias, czyli systematyczne zawyżanie lub zaniżanie. Dla prognoz przedziałowych kluczowa jest strata pinball i trafność P50 oraz P90. Z punktu widzenia magazynu ważne są dni braku towaru, fill rate, rotacja oraz wykorzystanie zapasu bezpieczeństwa. Takie podejście lepiej oddaje realny koszt decyzji niż sama średnia pomyłka.

Jakie ograniczenia ma DeepAR przy produktach o rzadkich zamówieniach?

DeepAR ma trudność, gdy większość okresów to zera, a pojedyncze zamówienia są wysokie i nieregularne.
W takich szeregach model bywa zachowawczy i zaniża szczyty. Krótka historia nowych indeksów ogranicza zdolność uczenia. Gwałtowne zmiany asortymentu, długie lead time i brak dobrych zmiennych zewnętrznych pogarszają wyniki. Rozwiązaniem jest segmentacja ABC i XYZ, łączenie indeksów w rodziny, modelowanie na poziomie agregacji oraz hybryda metod. Część pozycji obsługuje Croston, a resztę DeepAR. Przedziały P50 i P90 pomagają właściwie dobrać zapas.

Jaki powinien być kolejny krok: pilotaż, test czy pełne wdrożenie?

Najpierw pilotaż na wybranych rodzinach i magazynach, potem test porównawczy, a na końcu pełne wdrożenie.
Dobrym startem jest zestaw od kilkudziesięciu do kilkuset indeksów o różnych profilach popytu. Okres pilotażu powinien obejmować kilka cykli sezonowych lub przynajmniej kilka okien backtestu. Wcześniej warto uzgodnić cele, na przykład poprawa wMAPE oraz wzrost poziomu obsługi przy stałym zapasie. W trakcie pilotażu działa równolegle aktualny sposób planowania. Po akceptacji wyników powstaje stały potok danych, monitoring jakości i reguły odświeżania modelu. Dla rynku stal poznań takie podejście ogranicza ryzyko i daje szybki wgląd w korzyści.

DeepAR może wzmocnić planowanie w Stal Poznań, jeśli poprze go czysta baza danych, dobre cechy sezonowe i uczciwe porównanie z prostymi metodami. Warto zacząć od małego pilotażu, zdefiniować jasne cele i sprawdzić wpływ na zapas i poziom obsługi.

Umów pilotaż prognoz DeepAR dla Stal Poznań i porównaj wyniki z obecną metodą w kontrolowanym teście.