Gdzie w Olkuszu kupić modne okulary, by uniknąć zwrotów?

Krzywa popytu na okulary zmienia się szybciej niż pogoda. Raz wszyscy polują na lekkie oprawy i przyciemniane szkła, innym razem rośnie ruch na okularach do pracy przy komputerze. W małym e‑sklepie z Olkusza każdy błąd w cenie lub zamówieniu to zamrożony kapitał albo brak towaru na szczycie sezonu.

Amazon SageMaker pomaga to uporządkować. Dzięki prognozom z danych sklepu można lepiej planować dostawy, ceny i akcje promocyjne. W tym tekście pokazuję, jak wykorzystać SageMaker do przewidywania sprzedaży, cen i zapasów dla asortymentu „modne okulary olkusz”.

• Sprzedaż według dnia lub tygodnia dla każdego SKU. Liczba sztuk, cena transakcyjna, rabat, zwrot, kanał sprzedaży.
• Stany magazynowe w czasie. Dostawy, braki, lead time od zamówienia do dostawy.
• Cenniki i zmiany cen. Akcje promocyjne, banery, kupony, wyprzedaże kolekcji.
• Cechy produktów. Kategoria, typ oprawy, materiał, kolor, płeć, grupa wiekowa, sezonowość, „niszowa kolekcja”.
• Kalendarz świąt i sezonów w Polsce. Okresy urlopowe, początek roku szkolnego, długie weekendy.
• Pogoda lokalna. Temperatura, nasłonecznienie, indeks UV dla Olkusza. Dobrze opisuje popyt na okulary przeciwsłoneczne.
• Ruch marketingowy. Budżety kampanii, odsłony, kliknięcia, wpisy w mediach społecznościowych.
• Słowa kluczowe i trendy wyszukiwań. Na przykład zapytania o „modne okulary olkusz”.

• Cechy czasowe. Dzień tygodnia, miesiąc, sezon, święta, ferie.
• Cechy produktu. Segment cenowy, typ oprawy, materiał, kolor, nowość kolekcji.
• Cechy popytu. Ostatnia sprzedaż, średnia krocząca, flaga „promocja”, flaga „brak w magazynie”.
• Cechy zewnętrzne. Pogoda, natężenie kampanii, trendy fraz lokalnych.
• Metryki jakości prognoz. Średni bezwzględny błąd procentowy MAPE, symetryczny MAPE, średni błąd bezwzględny MAE, pierwiastek z błędu średniokwadratowego RMSE, ważony absolutny błąd procentowy WAPE.
• Metryki biznesowe. Udział dni bez towaru, rotacja zapasu, poziom obsługi, nadwyżka zapasu w dniach, marża i przychód przy zmianie ceny.

• Ustal jedną rozdzielczość czasu. Dzień lub tydzień. Uzupełnij luki zerami, gdy nie było sprzedaży.
• Zadbaj o jedną strefę czasową. Polska. Popraw przesunięcia z czasu letniego.
• Usuń lub oznacz outliery. Na przykład błędne ceny 0 lub 10 razy wyższe niż zwykle.
• Zakoduj kategorie. One‑hot dla kategorii i materiału. Target encoding dla kolorów i wzorów przy wielu poziomach.
• Zeskaluj cechy liczbowe. Min‑max lub standaryzacja. Dla modeli sekwencyjnych normalizacja per seria często działa najlepiej.
• Podziel dane w czasie. Trening na wcześniejszych okresach. Walidacja i test na nowszych.
• Dla popytu przerywanego zastosuj transformacje. Agregacja tygodniowa lub modele z rozkładami dla zer.
• W SageMaker Data Wrangler zbudujesz przepływ przygotowania. Zapisz wynik do Amazon S3 i użyj w treningu.

• XGBoost w SageMaker. Działa szybko na małych danych tablicowych. Może przewidywać sprzedaż punktową oraz kwantyle P10, P50, P90 przy funkcji kwantylowej. Dobrze łączy cechy produktu i kalendarza.
• DeepAR w SageMaker. Model sekwencyjny do wielu szeregów czasowych. Radzi sobie z sezonowością i różnymi poziomami sprzedaży między SKU. Obsługuje prognozy przedziałowe.
• Prophet jako własny skrypt. Dobry punkt odniesienia dla serii z wyraźną sezonowością i świętami. Łatwy do interpretacji.
• ARIMA jako własny skrypt. Sprawdza się przy stabilnych seriach pojedynczych produktów.
• Metody dla popytu przerywanego. Na przykład Croston lub jego odmiany jako własny skrypt w SageMaker. Przydają się dla niszowych, rzadko sprzedających się opraw.
• SageMaker Autopilot. Szybki baseline bez kodu dla danych tablicowych. Pomaga zyskać wiarygodny punkt startowy.
• Random Cut Forest. Do wykrywania anomalii w sprzedaży i cenach przed treningiem właściwych modeli.

• Eksportuj sprzedaż i stany do pliku i zapisuj w Amazon S3. Automatyzuj to po zakończeniu dnia.
• Uruchamiaj trening okresowy. Na przykład raz w miesiącu, z nowymi danymi. Między treningami generuj prognozy wsadowe.
• Generuj prognozy horyzontu. Na przykład 4–12 tygodni do przodu z odświeżaniem co tydzień.
• Zapisuj wyniki do S3 w formacie prostym do importu. Na przykład CSV z kolumnami SKU, data, P10, P50, P90, rekomendowany stan.
• Zasil sklep poprzez prosty interfejs programistyczny lub import plików. Aktualizuj ceny, rekomendacje zamówień i alerty braków.
• Dla potrzeb czasu rzeczywistego użyj bezserwerowego endpointu SageMaker. Na przykład przy dynamicznej cenie w trakcie kampanii. W małym sklepie zwykle wystarczy wsad.
• Zastosuj reguły awaryjne. Minimalna marża, maksymalny rabat, minimalny i maksymalny poziom zapasu.

• Twórz rolling‑window raporty błędów. MAPE, MAE, WAPE tygodniowo dla kategori i kluczowych SKU.
• Wykrywaj dryf danych. Zmiany rozkładu cen, popytu, udziału promocji. Korzystaj z SageMaker Model Monitor.
• Oznaczaj anomalie. Nagłe skoki zamówień lub spadki. Sprawdzaj, czy wynikają z kampanii, pogody lub braków.
• Ustal progi reakcji. Gdy błąd rośnie ponad próg, przywracaj cenę bazową, podbijaj zapas lub uruchamiaj retrening.
• Planuj cykle uczenia. Częściej w sezonie okularów przeciwsłonecznych. Rzadziej poza sezonem.
• Waliduj zmiany cen A/B. Sprawdzaj wpływ na marżę, konwersję i zapas. Zostawiaj tylko reguły, które działają.

• Ceny oparte na elastyczności. Przy wysokim popycie utrzymuj cenę, przy słabym rozważ stopniowe obniżki.
• Plan markdown dla wolnych pozycji. Rozłóż obniżki w czasie, zanim kolekcja straci aktualność.
• Pary i zestawy. Łącz oprawy z akcesoriami, gdy prognoza popytu na akcesoria jest niższa niż cel.
• Reorder point. Prognoza na czas dostawy plus bufor bezpieczeństwa wyznacza moment zamówienia.
• Zapasy sezonowe. Wyższy zapas przed wiosną i latem dla okularów przeciwsłonecznych. Niższy po sezonie.
• Niszowe kolekcje. Krótkie serie, małe partie, szybkie markdowny. Chroni to gotówkę i miejsce w magazynie.
• Poziom obsługi. Różne cele dostępności dla kluczowych kategorii. Wyższy dla core, niższy dla pozycji długiego ogona.