Start din succesrige rejse med tidsserieprognoser med Amazon Forecast

Organisationer af alle størrelser stræber efter at vokse deres forretning, forbedre effektiviteten og betjene deres kunder bedre end nogensinde før. Selvom fremtiden er usikker, kan en datadrevet, videnskabsbaseret tilgang hjælpe med at forudse, hvad der venter forude, for med succes at navigere gennem et hav af valg.

Hver industri bruger tidsserieprognoser til at imødekomme en række planlægningsbehov, herunder men ikke begrænset til:

I dette indlæg skitserer vi fem bedste fremgangsmåder til at komme i gang med Amazon prognose, og anvende kraften ved meget nøjagtige maskinlæringsprognoser (ML) til din virksomhed.

Hvorfor Amazon Forecast

AWS tilbyder en fuldt administreret tidsserieprognoseservice kaldet Amazon Forecast, der giver dig mulighed for at generere og vedligeholde løbende automatiserede tidsserieprognoser uden at kræve ML-ekspertise. Derudover kan du bygge og implementere gentagelige prognoseoperationer uden at skulle skrive kode, bygge ML-modeller eller administrere infrastruktur.

Forecasts muligheder gør det muligt at betjene en bred vifte af kunderoller, lige fra analytikere og supply chain managers til udviklere og ML-eksperter. Der er flere grunde til, at kunder foretrækker Forecast: det giver høj nøjagtighed, gentagelige resultater og muligheden for selvbetjening uden at vente på specialiserede tekniske ressourcer. Forecast er også udvalgt af datavidenskabseksperter, fordi det giver meget nøjagtige resultater, baseret på et ensemble af selvjusterede modeller, og fleksibiliteten til at eksperimentere hurtigt uden at skulle implementere eller administrere klynger af en bestemt størrelse. Dens ML-modeller gør det også nemmere at understøtte prognoser for et stort antal varer og kan generere nøjagtige prognoser for koldstartsvarer uden historie.

Fem bedste fremgangsmåder, når du kommer i gang med Forecast

Forecast giver høj nøjagtighed og hurtig time-to-market for udviklere og dataforskere. Selvom det er blevet nemt at udvikle meget nøjagtige tidsseriemodeller, giver dette indlæg bedste praksis til at fremskynde din onboarding og tid til værdi. Lidt stringens og måske et par eksperimenter skal bruges for at nå succes. En vellykket prognoserejse afhænger af flere faktorer, nogle subtile.

Dette er nogle nøglepunkter, du bør overveje, når du begynder at arbejde med Forecast.

Start simpelt

Som vist i det følgende svinghjul, overvej at begynde med en simpel model, der bruger en måltidsserie datasæt til at udvikle en baseline, når du foreslår dit første sæt inputdata. Efterfølgende eksperimenter kan tilføje andre tidsmæssige træk , statiske metadata med et mål om at forbedre modellens nøjagtighed. Hver gang der foretages en ændring, kan du måle og lære, hvor meget ændringen har hjulpet, hvis overhovedet. Afhængigt af din vurdering kan du beslutte at beholde det nye sæt af funktioner, der leveres, eller du kan dreje og prøve en anden mulighed.

Fokuser på afvigelserne

Med Forecast kan du få nøjagtighedsstatistik for hele datasættet. Det er vigtigt at erkende, at selvom denne statistik på øverste niveau er interessant, skal den betragtes som værende kun retningsmæssigt korrekt. Du bør koncentrere dig om nøjagtighedsstatistikker på vareniveau frem for statistikker på topniveau. Overvej følgende scatterplot som en guide. Nogle af elementerne i datasættet vil have høj nøjagtighed; for disse kræves ingen handling.

Mens du bygger en model, bør du udforske nogle af de punkter, der er mærket som "udforskende tidsserier." I disse sonderende tilfælde skal du bestemme, hvordan du kan forbedre nøjagtigheden ved at inkorporere flere inputdata, såsom prisvariationer, salgsfremmende forbrug, eksplicitte sæsonbestemte funktioner og medtagelse af lokale, markedsmæssige, globale og andre begivenheder og forhold i den virkelige verden.

Gennemgå prædiktorens nøjagtighed, før du opretter prognoser

Opret ikke fremtidige daterede prognoser med Forecast, før du har gennemgået forudsigelsesnøjagtigheden i løbet af backtest-perioden. Det foregående scatterplot illustrerer nøjagtigheden af ​​tidsserieniveauet, hvilket er din bedste indikation for, hvordan fremtidige daterede forudsigelser vil se ud, alt andet lige. Hvis denne periode ikke giver dit nødvendige niveau af nøjagtighed, skal du ikke fortsætte med den fremtidige daterede prognoseoperation, da dette kan føre til ineffektivt forbrug. Fokuser i stedet på at øge dine inputdata og prøve endnu en runde ved innovationssvinghjulet, som diskuteret tidligere.

Reducer træningstiden

Du kan reducere træningstiden gennem to mekanismer. Brug først Forecast's genoptræningsfunktion at hjælpe med at reducere træningstiden gennem transfer learning. For det andet skal du forhindre modeldrift med overvågning af prædiktorer ved kun at træne, når det er nødvendigt.

Byg gentagelige processer

Vi opfordrer dig til ikke at bygge Forecast-arbejdsgange gennem AWS Management Console eller ved at bruge API'er fra bunden, indtil du i det mindste har evalueret vores AWS prøver GitHub-repo. Vores mission med GitHub-prøver er at hjælpe med at fjerne friktion og fremskynde din time-to-market med gentagelige arbejdsgange, der allerede er blevet gennemtænkt. Disse arbejdsgange er serverløse og kan planlægges til at køre efter en regelmæssig tidsplan.

Besøg vores officielle GitHub-repo, hvor du hurtigt kan implementere vores løsningsvejledning ved at følge de angivne trin. Som vist i den følgende figur giver arbejdsgangen en komplet ende-til-ende-pipeline, der kan hente historiske data, importere dem, bygge modeller og producere slutninger mod modellerne – alt sammen uden at skulle skrive kode.

Den følgende figur giver et dybere indblik i kun ét modul, som er i stand til at høste historiske data til modeltræning fra et utal af databasekilder, der understøttes af Amazon Athena Federated Query.

Kom i gang i dag

Du kan implementere et fuldt automatiseret produktions-workflow i løbet af få dage til uger, især når det parres med vores workflow-orkestreringspipeline, som er tilgængelig på vores GitHub prøvelager.

Denne re:Invent-video fremhæver et use case af en kunde, der automatiserede deres workflow ved hjælp af denne GitHub-model:

Forecast har mange indbyggede muligheder for at hjælpe dig med at nå dine forretningsmål gennem meget nøjagtige ML-baserede prognoser. Vi opfordrer dig til at kontakte dit AWS-kontoteam, hvis du har spørgsmål, og lad dem vide, at du gerne vil tale med en tidsseriespecialist for at give vejledning og vejledning. Vi kan også tilbyde workshops for at hjælpe dig med at lære, hvordan du bruger Forecast.

Vi er her for at støtte dig og din organisation, når du bestræber dig på at automatisere og forbedre efterspørgselsprognoser i din virksomhed. En mere nøjagtig prognose kan resultere i højere salg, en betydelig reduktion i spild, en reduktion i ledig beholdning og i sidste ende højere niveauer af kundeservice.

Tag handling i dag; der er intet bedre tidspunkt end nuet til at begynde at skabe en bedre i morgen.

---

Om forfatteren

Charles Laughlin er Principal AI/ML Specialist Solution Architect og arbejder i Time Series ML-teamet hos AWS. Han hjælper med at forme Amazon Forecast-tjenestens køreplan og samarbejder dagligt med forskellige AWS-kunder for at hjælpe med at transformere deres virksomheder ved hjælp af avancerede AWS-teknologier og tankelederskab. Charles har en MS i Supply Chain Management og har brugt det seneste årti på at arbejde i industrien for forbrugsvarer.

Dan Sinnreich er Sr. Product Manager for Amazon Forecast. Han er fokuseret på at demokratisere lav-kode/no-code maskinlæring og anvende det til at forbedre forretningsresultater. Uden for arbejdet kan man finde ham, der spiller hockey, prøver at forbedre sin tennisservering, dykning og læser science fiction.