Beginnen Sie Ihre erfolgreiche Reise mit Zeitreihenprognosen mit Amazon Forecast

Unternehmen jeder Größe streben danach, ihr Geschäft auszubauen, die Effizienz zu verbessern und ihre Kunden besser als je zuvor zu bedienen. Auch wenn die Zukunft ungewiss ist, kann ein datengesteuerter, wissenschaftsbasierter Ansatz dabei helfen, vorauszusehen, was vor uns liegt, um erfolgreich durch ein Meer von Entscheidungen zu navigieren.

Jede Branche verwendet Zeitreihenprognosen, um eine Vielzahl von Planungsanforderungen zu erfüllen, einschließlich, aber nicht beschränkt auf:

In diesem Beitrag skizzieren wir fünf Best Practices für den Einstieg Amazon-Prognose, und wenden Sie die Leistungsfähigkeit hochpräziser maschineller Lernprognosen (ML) auf Ihr Unternehmen an.

Warum Amazon Prognose

AWS bietet einen vollständig verwalteten Zeitreihen-Prognosedienst namens Amazon Forecast, mit dem Sie fortlaufend automatisierte Zeitreihen-Prognosen erstellen und pflegen können, ohne dass ML-Kenntnisse erforderlich sind. Darüber hinaus können Sie wiederholbare Prognosevorgänge erstellen und bereitstellen, ohne Code schreiben, ML-Modelle erstellen oder die Infrastruktur verwalten zu müssen.

Die Fähigkeiten von Forecast ermöglichen es, eine breite Palette von Kundenrollen zu bedienen, von Analysten und Supply-Chain-Managern bis hin zu Entwicklern und ML-Experten. Es gibt mehrere Gründe, warum Kunden Forecast bevorzugen: Es bietet hohe Genauigkeit, wiederholbare Ergebnisse und die Möglichkeit, sich selbst zu bedienen, ohne auf die Verfügbarkeit spezialisierter technischer Ressourcen warten zu müssen. Forecast wird auch von Data-Science-Experten ausgewählt, weil es hochpräzise Ergebnisse liefert, die auf einem Ensemble von selbstabgestimmten Modellen basieren, und die Flexibilität bietet, schnell zu experimentieren, ohne Cluster einer bestimmten Größe bereitstellen oder verwalten zu müssen. Seine ML-Modelle erleichtern auch die Unterstützung von Prognosen für eine große Anzahl von Artikeln und können genaue Ergebnisse liefern Prognosen für Kaltstartartikel ohne Geschichte.

Fünf Best Practices für den Einstieg in Forecast

Forecast bietet Entwicklern und Datenwissenschaftlern eine hohe Genauigkeit und eine schnelle Markteinführung. Obwohl die Entwicklung hochgenauer Zeitreihenmodelle einfach gemacht wurde, bietet dieser Beitrag Best Practices zur Beschleunigung Ihres Onboardings und der Time-to-Value. Ein wenig Strenge und vielleicht ein paar Experimentierrunden müssen angewendet werden, um Erfolg zu haben. Eine erfolgreiche Prognosereise hängt von mehreren Faktoren ab, von denen einige subtil sind.

Dies sind einige wichtige Punkte, die Sie berücksichtigen sollten, wenn Sie mit Forecast arbeiten.

Fangen Sie einfach an

Wie im folgenden Schwungrad gezeigt, sollten Sie mit einem einfachen Modell beginnen, das a verwendet Zielzeitreihe Datensatz, um eine Baseline zu entwickeln, wenn Sie Ihren ersten Satz von Eingabedaten vorschlagen. Nachfolgende Experimente können andere hinzufügen zeitliche Besonderheiten und statische Metadaten mit dem Ziel, die Modellgenauigkeit zu verbessern. Jedes Mal, wenn eine Änderung vorgenommen wird, können Sie messen und erfahren, wie sehr die Änderung geholfen hat, wenn überhaupt. Abhängig von Ihrer Einschätzung können Sie sich entscheiden, die neuen bereitgestellten Funktionen beizubehalten oder eine andere Option auszuprobieren.

Konzentrieren Sie sich auf die Ausreißer

Mit Forecast können Sie Genauigkeitsstatistiken für den gesamten Datensatz abrufen. Es ist wichtig zu erkennen, dass diese Top-Level-Statistik zwar interessant ist, aber nur als richtungsrichtig angesehen werden sollte. Sie sollten sich eher auf Genauigkeitsstatistiken auf Artikelebene als auf Statistiken auf oberster Ebene konzentrieren. Betrachten Sie das folgende Streudiagramm als Richtlinie. Einige der Elemente im Datensatz haben eine hohe Genauigkeit; für diese ist keine Aktion erforderlich.

Beim Erstellen eines Modells sollten Sie einige der Punkte untersuchen, die als „explorative Zeitreihen“ bezeichnet werden. Bestimmen Sie in diesen explorativen Fällen, wie Sie die Genauigkeit verbessern können, indem Sie mehr Eingabedaten wie Preisschwankungen, Werbeausgaben, explizite Saisonalitätsmerkmale und die Einbeziehung lokaler, marktbezogener, globaler und anderer realer Ereignisse und Bedingungen einbeziehen.

Überprüfen Sie die Prädiktorengenauigkeit, bevor Sie Prognosen erstellen

Erstellen Sie mit Forecast keine zukunftsbezogenen Prognosen, bis Sie die Vorhersagegenauigkeit während der Backtest-Periode überprüft haben. Das vorhergehende Streudiagramm veranschaulicht die Genauigkeit auf Zeitreihenebene, die Ihr bester Hinweis darauf ist, wie zukünftige Vorhersagen aussehen werden, wenn alle anderen Dinge gleich sind. Wenn dieser Zeitraum nicht das erforderliche Maß an Genauigkeit bietet, fahren Sie nicht mit dem Prognosevorgang für zukünftige Daten fort, da dies zu ineffizienten Ausgaben führen kann. Konzentrieren Sie sich stattdessen darauf, Ihre Eingabedaten zu erweitern und eine weitere Runde am Innovationsschwungrad zu versuchen, wie bereits erwähnt.

Reduzieren Sie die Trainingszeit

Sie können die Trainingszeit durch zwei Mechanismen verkürzen. Verwenden Sie zuerst Forecast's Umschulungsfunktion um die Trainingszeit durch Transferlernen zu verkürzen. Zweitens verhindern Sie Modelldrift mit Prädiktorenüberwachung durch Training nur bei Bedarf.

Erstellen Sie wiederholbare Prozesse

Wir empfehlen Ihnen, Prognose-Workflows nicht über die zu erstellen AWS-Managementkonsole oder APIs von Grund auf neu zu verwenden, bis Sie zumindest unsere bewertet haben AWS-Beispiele für das GitHub-Repository. Unsere Mission mit GitHub-Beispielen ist es, Reibungsverluste zu beseitigen und Ihre Time-to-Market mit wiederholbaren Workflows zu verkürzen, die bereits sorgfältig entworfen wurden. Diese Workflows sind serverlos und können so geplant werden, dass sie regelmäßig ausgeführt werden.

Besuchen Sie unser offizielles GitHub-Repository, wo Sie unsere Lösungsanleitung schnell bereitstellen können, indem Sie die angegebenen Schritte befolgen. Wie in der folgenden Abbildung dargestellt, stellt der Workflow eine vollständige End-to-End-Pipeline bereit, mit der historische Daten abgerufen, importiert, Modelle erstellt und Rückschlüsse auf die Modelle gezogen werden können, ohne dass Code geschrieben werden muss.

Die folgende Abbildung bietet einen tieferen Einblick in nur ein Modul, das in der Lage ist, historische Daten für das Modelltraining aus einer Vielzahl von Datenbankquellen zu sammeln, die von unterstützt werden Amazon Athena Verbundabfrage.

Starten Sie noch heute

Sie können innerhalb weniger Tage bis Wochen einen vollautomatisierten Produktionsworkflow implementieren, insbesondere in Kombination mit unserer Workflow-Orchestrierungspipeline, die bei uns verfügbar ist GitHub-Beispielrepository.

Dieses re:Invent-Video zeigt einen Anwendungsfall eines Kunden, der seinen Workflow mit diesem GitHub-Modell automatisiert hat:

Forecast verfügt über viele integrierte Funktionen, mit denen Sie Ihre Geschäftsziele durch hochgenaue ML-basierte Prognosen erreichen können. Wir empfehlen Ihnen, sich bei Fragen an Ihr AWS-Kontoteam zu wenden und es wissen zu lassen, dass Sie mit einem Zeitreihenspezialisten sprechen möchten, um Anleitung und Anleitung zu geben. Wir können auch Workshops anbieten, um Sie beim Erlernen der Verwendung von Forecast zu unterstützen.

Wir sind hier, um Sie und Ihr Unternehmen bei Ihren Bemühungen zu unterstützen, die Bedarfsprognose in Ihrem Unternehmen zu automatisieren und zu verbessern. Eine genauere Prognose kann zu höheren Umsätzen, einer erheblichen Reduzierung des Ausschusses, einer Reduzierung des ungenutzten Lagerbestands und letztendlich zu einem besseren Kundenservice führen.

Handeln Sie noch heute; Es gibt keinen besseren Zeitpunkt als die Gegenwart, um mit der Schaffung eines besseren Morgens zu beginnen.

---

Über den Autor

Charles Laughlin ist Principal AI/ML Specialist Solution Architect und arbeitet im Time Series ML-Team bei AWS. Er hilft bei der Gestaltung der Amazon Forecast-Service-Roadmap und arbeitet täglich mit verschiedenen AWS-Kunden zusammen, um ihre Unternehmen mit modernsten AWS-Technologien und Vordenkertum zu transformieren. Charles hat einen MS in Supply Chain Management und hat die letzten zehn Jahre in der Konsumgüterindustrie gearbeitet.

Dan Sinnreich ist Senior Product Manager für Amazon Forecast. Er konzentriert sich auf die Demokratisierung des maschinellen Lernens mit Low-Code/No-Code und seine Anwendung zur Verbesserung der Geschäftsergebnisse. Außerhalb der Arbeit spielt er Hockey, versucht, seinen Tennisaufschlag zu verbessern, taucht und liest Science-Fiction.