Google déploie Vertex AI Forecast pour les détaillants
Alors que les fluctuations de la chaîne d’approvisionnement compliquent la prévision de la demande, Google vise à aider les détaillants à tirer parti de l’IA pour une meilleure planification
Google a présenté mardi Vertex AI Forecast, un outil permettant aux détaillants de générer des prévisions de demande plus précises. L’outil fait partie de la plate-forme d’IA Vertex gérée que Google a déployée l’année dernière pour aider les entreprises à déployer rapidement l’apprentissage automatique.
La prévision de la demande peut avoir un impact significatif sur l'activité d'un détaillant ; Des facteurs tels que les fluctuations de la chaîne d’approvisionnement et la croissance des marchés mondiaux peuvent rendre difficile le maintien des stocks en stock.
Vertex AI Forecast peut ingérer des ensembles de données allant jusqu’à 100 millions de lignes à partir de fichiers BigQuery ou CSV, couvrant ainsi des années de données historiques pour des milliers de gammes de produits. L’outil traite automatiquement les données et évalue des centaines d’architectures de modèles différentes pour créer un modèle qui devrait être relativement facile à gérer. Les utilisateurs peuvent inclure jusqu’à 1 000 facteurs de demande différents (comme la couleur, la marque, le calendrier des promotions ou les statistiques de trafic e-commerce) et définir des budgets pour créer les prévisions.
L’outil offre également des capacités de prévision hiérarchiques, ce qui permet de minimiser les défis créés par les silos organisationnels et d’améliorer la précision globale lorsque les données historiques sont rares. Par exemple, la capacité peut lier la demande pour un article individuel au niveau du magasin et aux niveaux régionaux. Lorsque la demande d’articles individuels est trop aléatoire pour être prévue, le modèle peut toujours détecter des modèles au niveau de la catégorie de produits.
Google a cité une poignée de clients qui utilisent déjà Vertex AI Forecast, y compris Lowe's, qui l'utilise pour créer des modèles hiérarchiques précis qui équilibrent entre les prévisions au niveau des SKU et des magasins .