Inicie su viaje exitoso con la previsión de series temporales con Amazon Forecast

Las organizaciones de todos los tamaños se esfuerzan por hacer crecer su negocio, mejorar la eficiencia y servir a sus clientes mejor que nunca. Aunque el futuro es incierto, un enfoque basado en la ciencia y basado en datos puede ayudar a anticipar lo que se avecina para navegar con éxito a través de un mar de opciones.

Todas las industrias utilizan pronósticos de series de tiempo para abordar una variedad de necesidades de planificación, que incluyen, entre otras, las siguientes:

En esta publicación, describimos cinco mejores prácticas para comenzar Pronóstico del Amazonasy aplique el poder de la previsión de aprendizaje automático (ML) de alta precisión a su negocio.

Por qué Amazon Forecast

AWS ofrece un servicio de pronóstico de series temporales completamente administrado llamado Amazon Forecast que le permite generar y mantener pronósticos de series temporales automatizados continuos sin necesidad de experiencia en aprendizaje automático. Además, puede crear e implementar operaciones de previsión repetibles sin necesidad de escribir código, crear modelos ML o administrar la infraestructura.

Las capacidades de Forecast le permiten atender una amplia gama de roles de clientes, desde analistas y gerentes de la cadena de suministro hasta desarrolladores y expertos en ML. Hay varias razones por las que los clientes prefieren Forecast: ofrece alta precisión, resultados repetibles y la capacidad de autoservicio sin esperar la disponibilidad de recursos técnicos especializados. Forecast también es seleccionado por expertos en ciencia de datos porque brinda resultados altamente precisos, basados ​​en un conjunto de modelos autoajustados, y la flexibilidad para experimentar rápidamente sin tener que implementar o administrar clústeres de ningún tamaño en particular. Sus modelos ML también facilitan el soporte de pronósticos para una gran cantidad de artículos y pueden generar previsiones para artículos de arranque en frío sin historia

Cinco mejores prácticas al comenzar con Forecast

Forecast proporciona alta precisión y tiempo de comercialización rápido para desarrolladores y científicos de datos. Si bien se ha facilitado el desarrollo de modelos de series temporales de alta precisión, esta publicación proporciona las mejores prácticas para acelerar su incorporación y el tiempo de creación de valor. Se debe aplicar un poco de rigor y quizás un par de rondas de experimentación para alcanzar el éxito. Un viaje de pronóstico exitoso depende de múltiples factores, algunos sutiles.

Estos son algunos elementos clave que debe tener en cuenta al comenzar a trabajar con Forecast.

Comience simple

Como se muestra en el siguiente volante, considere comenzar con un modelo simple que usa un serie de tiempo objetivo conjunto de datos para desarrollar una línea de base a medida que propone su primer conjunto de datos de entrada. Los experimentos posteriores pueden agregar otros características temporales y metadatos estáticos con el objetivo de mejorar la precisión del modelo. Cada vez que se realiza un cambio, puede medir y saber cuánto ha ayudado el cambio, si es que lo ha ayudado. Dependiendo de su evaluación, puede decidir mantener el nuevo conjunto de funciones proporcionadas o girar y probar otra opción.

Centrarse en los valores atípicos

Con Forecast, puede obtener estadísticas de precisión para todo el conjunto de datos. Es importante reconocer que aunque esta estadística de alto nivel es interesante, debe verse como solo direccionalmente correcta. Debe concentrarse en las estadísticas de precisión a nivel de elemento en lugar de las estadísticas de nivel superior. Considere el siguiente diagrama de dispersión como guía. Algunos de los elementos del conjunto de datos tendrán una alta precisión; para estos no se requiere ninguna acción.

Al construir un modelo, debe explorar algunos de los puntos etiquetados como "series temporales exploratorias". En estos casos exploratorios, determine cómo mejorar la precisión mediante la incorporación de más datos de entrada, como variaciones de precios, gastos promocionales, características de estacionalidad explícitas y la inclusión de eventos y condiciones locales, de mercado, globales y del mundo real.

Revise la precisión del predictor antes de crear pronósticos

No cree pronósticos con fecha futura con Forecast hasta que haya revisado la precisión de la predicción durante el período de backtest. El diagrama de dispersión anterior ilustra la precisión del nivel de la serie temporal, que es su mejor indicación de cómo se verán las futuras predicciones fechadas, todo lo demás siendo igual. Si este período no proporciona el nivel de precisión requerido, no continúe con la operación de pronóstico con fecha futura, ya que esto puede generar un gasto ineficiente. En su lugar, concéntrese en aumentar sus datos de entrada y pruebe otra ronda en el volante de innovación, como se discutió anteriormente.

Reducir el tiempo de entrenamiento

Puedes reducir el tiempo de entrenamiento a través de dos mecanismos. Primero, use Forecast función de reentrenamiento para ayudar a reducir el tiempo de formación a través del aprendizaje por transferencia. En segundo lugar, evite la desviación del modelo con monitoreo predictor entrenando sólo cuando sea necesario.

Cree procesos repetibles

Le recomendamos que no cree flujos de trabajo de previsión a través de la Consola de administración de AWS o usar API desde cero hasta que haya evaluado al menos nuestro AWS muestra el repositorio de GitHub. Nuestra misión con las muestras de GitHub es ayudar a eliminar la fricción y acelerar su tiempo de comercialización con flujos de trabajo repetibles que ya han sido cuidadosamente diseñados. Estos flujos de trabajo no tienen servidor y se pueden programar para que se ejecuten en un horario regular.

Visite nuestro repositorio oficial de GitHub, donde puede implementar rápidamente nuestra guía de solución siguiendo los pasos proporcionados. Como se muestra en la siguiente figura, el flujo de trabajo proporciona una canalización completa de extremo a extremo que puede recuperar datos históricos, importarlos, crear modelos y producir inferencias contra los modelos, todo sin necesidad de escribir código.

La siguiente figura ofrece una vista más profunda de un solo módulo, que puede recopilar datos históricos para el entrenamiento de modelos de una miríada de fuentes de bases de datos compatibles con Consulta federada de Amazon Athena.

Empezar hoy mismo

Puede implementar un flujo de trabajo de producción completamente automatizado en cuestión de días o semanas, especialmente cuando se combina con nuestra canalización de orquestación de flujo de trabajo disponible en nuestro Repositorio de muestra de GitHub.

Este video de re:Invent destaca un caso de uso de un cliente que automatizó su flujo de trabajo usando este modelo de GitHub:

Forecast tiene muchas capacidades integradas para ayudarlo a lograr sus objetivos comerciales a través de pronósticos basados ​​​​en ML de alta precisión. Le animamos a ponerse en contacto con su equipo de cuentas de AWS si tiene alguna pregunta y hacerles saber que le gustaría hablar con un especialista en series temporales para que le brinde orientación y dirección. También podemos ofrecer talleres para ayudarlo a aprender a usar Forecast.

Estamos aquí para apoyarlo a usted y a su organización en su esfuerzo por automatizar y mejorar la previsión de la demanda en su empresa. Un pronóstico más preciso puede resultar en mayores ventas, una reducción significativa en el desperdicio, una reducción en el inventario inactivo y, en última instancia, niveles más altos de servicio al cliente.

Tome acción hoy; no hay mejor momento que el presente para comenzar a crear un mañana mejor.

---

Sobre la autora

charles laughlin es un Arquitecto Principal de Soluciones Especialista en AI/ML y trabaja dentro del equipo de Time Series ML en AWS. Ayuda a dar forma a la hoja de ruta del servicio Amazon Forecast y colabora a diario con diversos clientes de AWS para ayudar a transformar sus negocios mediante el uso de tecnologías de vanguardia y liderazgo intelectual de AWS. Charles tiene una maestría en administración de la cadena de suministro y pasó la última década trabajando en la industria de bienes de consumo empaquetados.

dan sinnreich es gerente de producto sénior de Amazon Forecast. Se centra en democratizar el aprendizaje automático de código bajo/sin código y aplicarlo para mejorar los resultados comerciales. Fuera del trabajo, se le puede encontrar jugando hockey, tratando de mejorar su servicio de tenis, buceando y leyendo ciencia ficción.