Die E-Commerce-Plattform Shopify hat erfolgreich Machine Learning mithilfe einer methodischen Fünf-Schritte-Strategie eingesetzt. Im Folgenden betrachten wir jeden Schritt und erläutern, wie er zum Erfolg des Unternehmens beigetragen hat.
Shopifys Wachstum ist in der E-Commerce-Branche beispiellos. Zusammengenommen bilden die Händler der Plattform gemessen am Umsatz das siebtgrößte Unternehmen der Welt. Damit liegen sie vor Konglomeraten wie Apple und Volkswagen.
Das Unternehmen war Vorreiter bei der Einführung von ML zur Anomalieerkennung und Prognose. Das ist besonders beeindruckend, wenn man bedenkt, dass bis zu 85 % der Machine-Learning-Projekte letztlich ihre ursprünglichen Versprechen und Ziele nicht erfüllen.
Auf dem Seminar „Data for the AI Community“ von Cognilytica sprach die Leiterin der Data-Science-Abteilung bei Shopify, Dr. Ella Hilal, darüber, wie der E-Commerce-Gigant mithilfe von Machine Learning (ML) so effektiv skaliert hat. Sehen wir uns das an.
Schritt 1: Die eigenen Prognoseanforderungen klar definieren
Der grundlegende Schritt bei der Nutzung von ML ist denkbar einfach: Verschaffen Sie sich ein übergeordnetes Verständnis Ihrer Prognoseanforderungen.
Dr. Hilal schlägt einige Fragen vor, die Führungskräfte in Unternehmen stellen können, um ihre Prognoseanforderungen zu verstehen:
- Welche Entscheidungen werden durch diese Informationen beeinflusst?
- Wann treffen Sie diese Entscheidungen?
- Wie weit in die Zukunft möchten Sie prognostizieren?
- Wie häufig treffen Sie diese Entscheidungen?
Beachten Sie, dass dieser ganzheitliche Ansatz zur Erstellung eines Machine-Learning-Modells in jedem Schritt des Prozesses angewendet wird.
Siehe auch: Die besten Tools für Datenanalysen
Schritt 2: Die eigenen Daten verstehen
Dr. Hilal formulierte es klar: „Welche Datenquellen stehen zur Verfügung und welche Eigenschaften haben sie?“
Die Eigenschaften Ihrer Datensätze zu verstehen, ist ein wichtiger Schritt für Prognosen. Stellen Sie sich grundlegende Fragen, etwa ob die Daten univariat oder multivariat sind. Außerdem ist es wichtig, nicht-stationäres Verhalten in Ihren Zeitreihendaten zu erkennen und zu beseitigen.
„Niemand bedauert es je, die ersten Zyklen seiner Arbeit darauf zu verwenden, ein großes Modell zu entwickeln, das wichtige Entscheidungen unterstützt, indem man genau untersucht, welche Daten vorhanden sind.“
Mit anderen Worten: Es liegt in Ihrem eigenen Interesse, neugierig zu bleiben. Es ist ebenso wichtig zu erkennen, welche Datenquellen nicht verfügbar sind wie die, die es sind.
Ihre Daten zu verstehen, erfordert einen übergeordneten Blick nicht nur auf Ihre Abläufe, sondern auch auf den Markt, in dem Sie tätig sind. Dieses Grundlagenwissen ermöglicht es Data Scientists , Anomalien und die konkreten Gründe dafür herauszuarbeiten.
Schritt 3: Die richtige Prognosemethode auswählen
Hier beginnen die konkreten Schritte hinter der Prognose. Dr. Hilal nannte mehrere zentrale Eigenschaften, die Prognosemodelle unbedingt haben müssen:
- Einfach zu interpretieren sein.
- Sich leicht abstimmen lassen.
- Relativ schnell sein.
- Automatisierte Prognosen liefern.
- Mehrere Arten von Saisonalität und wiederkehrenden Ereignissen verarbeiten.
- Fehlende Beobachtungen oder große Ausreißer verarbeiten.
- Veränderungen historischer Trends verarbeiten.
Shopify nutzte Facebook Prophet, ein Open-Source-Modell für additive Regression. Die Wahl fiel insbesondere wegen seiner Skalierbarkeit und seiner Fähigkeit, schnell Prognosen über Millionen von Datenpunkten zu erstellen, auf dieses Modell.
Eine weitere wichtige Entscheidung bei der Auswahl des richtigen Prognosemodells ist die Frage, ob ein Top-down- oder Bottom-up-Ansatz verfolgt werden soll. Top-down-Ansätze betrachten zunächst übergeordnete Kennzahlen und analysieren die dahinterliegenden Faktoren, während Bottom-up-Ansätze zuerst die Faktoren analysieren und verfolgen. Weitere Fragen, die bei der Auswahl des geeigneten Modells berücksichtigt werden sollten, sind:
- Ein einzelnes ML-Modell oder ein Ensemble-Ansatz?
- Wie häufig planen Sie, Ihr Modell neu zu trainieren?
- Haben Sie genügend Zeit für die Abstimmung aufgewendet? Haben Sie das Modell überangepasst?
Siehe auch: Die besten Business-Intelligence-Tools
Schritt 4: Verzerrungen durch Anomalien managen
„Anomalien sind nicht grundsätzlich schlecht“, sagte Dr. Hilal. Wenn sie effektiv erklärt werden können und vielleicht sogar wiederkehrend sind, möchten Data Scientists die Anomalie möglicherweise verstärken , um aus ihr zu lernen.
Ein großer Teil des Managements von Verzerrungen durch Anomalien besteht darin, Ihre Daten über die Zeit hinweg zu untersuchen und zu analysieren, welche Zeiträume auf künftiges Verhalten hindeuten. Shopify hatte eine enorme Menge an Daten zur Auswahl, mit eindeutig erkennbaren jährlichen Datenzyklen. Das Team entschied jedoch, dass die letzten drei Monate am aussagekräftigsten für die nächste Performance waren.
Dr. Hilal erwähnt außerdem, dass 2020 eindeutig ein anomales Jahr war. Unternehmen und Data Scientists sollten jedoch berücksichtigen, dass Anomalien und einzigartige Trends immer existieren werden. Deshalb bezog Shopify auch die einzigartigen Trends des Jahres 2021 ein.
Schritt 5: Das Modell automatisieren
Schließlich ist die Prognose – wie jedes andere ML-Modell im Produktivbetrieb – wirklich effektiv, wenn sie automatisiert wird.
Diese Automatisierung sollte einige Punkte abdecken:
- Wie werden Ihre Trainingsdaten gespeichert? Roh oder transformiert?
- Wie rufen Sie die Daten für das Training ab?
- Wie rufen Sie Daten für die Prognose ab?
- Wie erhalten wir Feedback von einem Modell im Produktivbetrieb? Gibt es systematische Warnmeldungen?
- Wie überwachen Sie Drift?
Denken Sie daran: Letztlich soll Ihr Modell skalierbar sein und mit wenig Intervention funktionieren – für einen unabhängigen Betrieb ist Automatisierung daher wertvoll.
Siehe auch: Die wichtigsten Data-Mining-Techniken
Fazit: Die eigenen Entscheidungen verstehen
Es ist klar, dass der Prozess hinter der Nutzung von ML für Prognosen und die Anomalieerkennung im großen Maßstab mit einem übergeordneten Verständnis Ihrer Abläufe, Anforderungen und Branche beginnt.
In jedem Schritt betonte Dr. Hilal, wie wichtig es ist, einen Schritt zurückzutreten und das „Was“, „Wie“ und „Wann“ hinter jeder Entscheidung zu verstehen.