nyt Amazonin sääennuste, voit suorittaa saumattomasti mitä jos -analyyseja jopa 80 % nopeammin analysoidaksesi ja kvantifioidaksesi liiketoimintakeinojen mahdollisen vaikutuksen kysyntäennusteisiisi. Forecast on palvelu, joka käyttää koneoppimista (ML) tarkkojen kysyntäennusteiden luomiseen ilman, että se tarvitsee ML-kokemusta. Skenaarioiden simulointi mitä jos -analyysien avulla on tehokas liiketoimintatyökalu tulevaisuuden tapahtumien epävarmuudessa navigoimiseen ottamalla huomioon hypoteettisten skenaarioiden mahdolliset tulokset. Yleisenä käytäntönä on arvioida liiketoimintapäätösten vaikutusta liikevaihtoon tai kannattavuuteen, kvantifioida markkinatrendeihin liittyvä riski, arvioida, miten logistiikka ja työvoima järjestetään vastaamaan asiakkaiden kysyntää ja paljon muuta.
Mitä jos -analyysin tekeminen kysynnän ennustamista varten voi olla haastavaa, koska tarvitset ensin tarkat mallit kysynnän ennustamiseen ja sitten nopean ja helpon tavan toistaa ennuste useissa eri skenaarioissa. Toistaiseksi, vaikka Forecast tarjosi tarkat kysyntäennusteet, entä jos -analyysin tekeminen Forecastin avulla saattoi olla hankalaa ja aikaa vievää. Esimerkiksi vähittäiskaupan myynninedistämisen suunnittelu on yleinen mitä jos -analyysin sovellus, jonka avulla voidaan tunnistaa tuotteelle optimaalinen hintapiste tulojen maksimoimiseksi. Aiemmin Forecastissa sinun piti valmistella ja tuoda uusi syöttötiedosto jokaiselle testattavalle skenaariolle. Jos halusit testata kolmea eri hintapistettä, sinun oli ensin luotava kolme uutta syöttötiedostoa muuntamalla tiedot manuaalisesti offline-tilassa ja tuomalla sitten jokainen tiedosto erikseen Forecastiin. Itse asiassa teit samoja tehtäviä jokaisessa skenaariossa. Lisäksi skenaarioiden vertailua varten sinun piti ladata ennuste jokaisesta skenaariosta erikseen ja yhdistää ne sitten offline-tilaan.
Tämän päivän julkaisun ansiosta voit helposti tehdä mitä jos -analyysin jopa 80 % nopeammin. Olemme tehneet uusien skenaarioiden luomisesta helppoa poistamalla offline-tietojen käsittelyn ja tuonnin tarpeen kustakin skenaariosta. Nyt voit määrittää skenaarion muuntamalla alkuperäistä tietojoukkoasi yksinkertaisilla toimilla, kuten kertomalla tuotteen A hinta 90 %:lla tai alentamalla tuotteen B hintaa 10 dollarilla. Nämä muunnokset voidaan myös yhdistää ehtoihin, joilla ohjataan parametreja, joita skenaario koskee (esimerkiksi alentaa tuotteen A hintaa vain yhdessä paikassa). Tämän julkaisun avulla voit määrittää ja suorittaa useita skenaarioita samantyyppisestä analyysistä (kuten promootioanalyysistä) tai erityyppisistä analyyseistä (kuten edistämisanalyysi maantieteellisellä alueella 1 ja varastosuunnittelu maantieteellisellä alueella 2) samanaikaisesti. Lopuksi sinun ei enää tarvitse yhdistää ja vertailla skenaarioiden tuloksia offline-tilassa. Nyt voit tarkastella kaikkien skenaarioiden ennusteennusteita samassa kaaviossa tai viedä tiedot joukkona offline-tarkistusta varten.
Ratkaisun yleiskatsaus
Tämän viestin vaiheet osoittavat, kuinka voit käyttää mitä jos -analyysiä AWS-hallintakonsoli. Jos haluat käyttää Forecast-sovellusliittymiä suoraan mitä jos -analyysiin, noudata muistikirjaamme GitHub repo joka tarjoaa analogisen esittelyn.
Tuo harjoitustietosi
Mitä jos -analyysin suorittamiseksi sinun on tuotava kaksi CSV-tiedostoa, jotka edustavat tavoiteaikasarjan tietoja (joissa näkyy ennustekohde) ja siihen liittyvät aikasarjatiedot (näyttävät kohteeseen vaikuttavat attribuutit). Esimerkkikohdeaikasarjatiedostomme sisältää tuotenimikkeen tunnuksen, aikaleiman, kysynnän, kaupan tunnuksen, kaupungin ja alueen, ja asiaan liittyvä aikasarjatiedostomme sisältää tuotenimikkeen tunnuksen, myymälän tunnuksen, aikaleiman, kaupungin, alueen ja hinnan.
Tuo tietosi suorittamalla seuraavat vaiheet:
- Valitse Ennustekonsolissa Näytä tietojoukkoryhmät.
- Valita Luo tietojoukoryhmä.
- varten Dataset-ryhmän nimi, anna tietojoukon nimi (tälle viestille,
my_company_consumer_sales_history
). - varten Ennustava verkkotunnus, valitse ennusteverkkotunnus (tälle viestille,
Retail
). - Valita seuraava.
- On Luo tavoiteaikasarjatietojoukko sivulla, anna tietojoukon nimi, tietojen tiheys ja dataskeema
- Anna tietojoukon tuontitiedot.
- Valita Aloita.
Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyn kohdeaikasarjasivun tiedot.
Sinut ohjataan kojelautaan, jonka avulla voit seurata edistymistä.
- Tuo aiheeseen liittyvä aikasarjatiedosto valitsemalla kojelaudassa Tuo.
- On Luo liittyvä aikasarjatietojoukko sivulla, anna tietojoukon nimi ja tietoskeema.
- Anna tietojoukon tuontitiedot.
- Valita Aloita.
Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyt tiedot.
Kouluta ennustaja
Seuraavaksi koulutamme ennustajaa.
- Valitse kojelaudassa Junaennuste.
- On Junaennuste -sivulle, anna ennustajalle nimi, kuinka kauan tulevaisuudessa haluat ennustaa ja millä tiheydellä sekä kvantiilien lukumäärä, joille haluat ennustaa.
- Ota AutoPredictor käyttöön – tämä tarvitaan mitä jos -analyysin käyttämiseen.
- Valita luoda.
Seuraava kuvakaappaus näyttää esimerkkiä varten täytetyt tiedot.
Luo ennuste
Kun ennustajamme on koulutettu (tämä voi kestää noin 2.5 tuntia), luomme ennusteen. Tiedät, että ennustajasi on koulutettu, kun näet Näytä ennustajat -painiketta kojelaudassasi.
- Valita Luo ennuste kojelaudassa
- On Luo ennuste -sivulle, anna ennusteen nimi, valitse luomasi ennustaja ja määritä ennusteen kvantiilit (valinnainen) ja kohteet, joille ennuste luodaan.
- Valita Aloita.
Kun olet suorittanut nämä vaiheet, olet luonut ennusteen onnistuneesti. Tämä edustaa ennusteen perusskenaariota, jota käytät mitä jos -analyyseihin.
Jos tarvitset lisäapua perusennusteiden luomiseen, katso Aloittaminen (konsoli). Siirrymme nyt entä jos -analyysin seuraaviin vaiheisiin.
Luo mitä jos -analyysi
Tässä vaiheessa olemme luoneet perusennusteemme ja aloitamme entä jos -analyysin suorittamisen. Mitä jos -analyysin suorittamisessa on kolme vaihetta: analyysin asettaminen, mitä jos -ennusteen luominen määrittelemällä, mitä skenaariossa on muutettu, ja tulosten vertailu.
- Määritä analyysi valitsemalla Tutustu mitä jos -analyysiin kojelaudalla.
- Valita luoda.
- Anna yksilöllinen nimi ja valitse perusennuste avattavasta valikosta.
- Valitse tietojoukostasi kohteet, joille haluat tehdä mitä jos -analyysin. Sinulla on kaksi vaihtoehtoa:
- Valitse kaikki kohteet on oletusarvo, jonka valitsemme tässä viestissä.
- Jos haluat valita tiettyjä kohteita, valitse Valitse kohteet, joissa on tiedosto ja tuo CSV-tiedosto, joka sisältää vastaavan tuotteen yksilöllisen tunnisteen ja minkä tahansa siihen liittyvän ulottuvuuden (kuten alueen).
- Valita Luo mitä jos -analyysi.
Luo mitä jos -ennuste
Seuraavaksi luomme mitä jos -ennusteen määrittääksemme skenaarion, jonka haluamme analysoida.
- Valita luoda.
- Anna skenaariosi nimi.
Voit määrittää skenaariosi kahdella vaihtoehdolla:
- Käytä muunnosfunktioita – Käytä muunnostyökalua tuomasi asiaankuuluvien aikasarjatietojen muuntamiseen. Tätä läpikäyntiä varten arvioimme, kuinka tietojoukossamme olevan tuotteen kysyntä muuttuu, kun hintaa alennetaan 10 % ja sitten 30 % verrattuna perusennusteen hintaan.
- Määritä mitä jos -ennuste korvaavan tietojoukon avulla – Korvaa tuomasi liittyvä aikasarjatietojoukko.
Muunnosfunktion rakennustyökalu tarjoaa mahdollisuuden muuntaa aiemmin tuodut aikasarjatiedot yksinkertaisten toimintojen avulla tietojen lisäämiseksi, vähentämiseksi, jakamiseksi ja kertomiseksi määrittämälläsi arvolla (esimerkiksi hinta). Esimerkkiämme luomme skenaarion, jossa alennamme hintaa 10 % ja hinta on ominaisuus tietojoukossa.
- varten Entä jos -ennusteen määrittelymenetelmävalitse Käytä muunnosfunktioita.
- Valita Lisääntyä operaattorinamme, hinta aikasarjanamme ja syötä 0.9.
Voit myös tarkentaa skenaariota lisäämällä ehtoja. Jos tietojoukkosi sisälsi esimerkiksi alueen mukaan järjestettyjä kauppatietoja, voit rajoittaa hinnanalennusskenaariota alueittain. Voit määrittää skenaarion 10 %:n hinnanalennuksesta, joka koskee kauppoja, jotka eivät ole alueella_1.
- Valita Lisää ehto.
- Valita Ei ole tasa-arvoinen toiminnoksi ja kirjoita Alue_1.
Toinen tapa muokata liittyviä aikasarjoja on tuoda uusi tietojoukko, joka sisältää jo skenaarion määrittävät tiedot. Voit esimerkiksi määrittää skenaarion 10 %:n hinnanalennuksella lataamalla uuden tietojoukon, joka määrittää muuttuvien tuotteiden yksilöllisen tunnisteen ja 10 % alhaisemman hinnanmuutoksen. Voit tehdä tämän valitsemalla Määritä mitä jos -ennuste korvaavan tietojoukon avulla ja tuo hintamuutoksen sisältävä CSV.
- Viimeistele mitä jos -ennusteen määrittely valitsemalla luoda.
Toista prosessi luodaksesi toisen mitä jos -ennusteen 30 %:n hinnanalennuslla.
Kun entä jos -analyysi on suoritettu jokaiselle mitä jos -ennusteelle, tila muuttuu aktiiviseksi. Tämä päättää toisen vaiheen, ja voit siirtyä entä jos -ennusteiden vertailuun.
Vertaa ennusteita
Voimme nyt verrata mitä jos -ennusteita molemmille skenaarioillemme vertaamalla 10 prosentin hinnanalennusta 30 prosentin hinnanalennukseen.
- Siirry analyysitietosivulla kohtaan Vertaa mitä jos -ennusteita osiossa.
- varten ITEM_ID, syötä analysoitava kohde.
- varten Entä jos -ennusteet, valitse verrattavat skenaariot (tätä viestiä varten,
Scenario_1
jaScenario_2
). - Valita Vertaa mitä jos.
Seuraava kaavio näyttää tuloksena olevan kysynnän molemmissa skenaarioissamme.
Oletusarvoisesti se esittelee P50:n ja perusskenaarion. Voit tarkastella kaikkia luotuja kvantiileja valitsemalla haluamasi kvantiilit Valitse ennusteet pudotusvalikosta.
Vie tietosi
Vie tietosi CSV-muotoon suorittamalla seuraavat vaiheet:
- Valita Luo vienti.
- Anna nimi vientitiedostollesi (tälle viestille,
my_scenario_export
) - Määritä vietävät skenaariot valitsemalla skenaariot -sovelluksesta Mitä jos -ennuste pudotusvalikosta. Voit viedä useita skenaarioita kerralla yhdistetyssä tiedostossa.
- varten Vientipaikka, määritä Amazonin yksinkertainen tallennuspalvelu (Amazon S3) sijainti.
- Aloita vienti valitsemalla Luo vienti.
- Jos haluat ladata viennin, siirry ensin S3-tiedostopolun sijaintiin AWS-hallintakonsolista ja valitse tiedosto ja latauspainike. Vientitiedosto sisältää aikaleiman, nimikkeen tunnuksen, mitat ja kunkin kvantiilin ennusteet kaikille valituille skenaarioille (mukaan lukien perusskenaario).
Yhteenveto
Skenaarioanalyysi on kriittinen työkalu, joka auttaa navigoimaan liiketoiminnan epävarmuustekijöiden läpi. Se tarjoaa ennakointia ja mekanismin ideoiden stressitestaukseen, mikä tekee yrityksistä joustavampia, paremmin valmistautuneita ja hallitsee tulevaisuuttaan. Ennuste tukee nyt ennakointia mitä jos -skenaarioiden analyyseja. Suorita skenaarioanalyysi avaamalla Forecast-konsoli ja noudattamalla tässä viestissä esitettyjä vaiheita tai katsomalla GitHub-muistikirja kuinka päästä toimintoon API:n kautta.
Lisätietoja saat osoitteesta CreateWhatIfAnalysis sivu kehittäjäoppaassa.
Tietoja kirjoittajista
Brandon Nair on Amazon Forecastin vanhempi tuotepäällikkö. Hänen ammatillinen kiinnostuksensa on skaalautuvien koneoppimispalvelujen ja -sovellusten luominen. Työn ulkopuolella hänet voi tavata tutkimassa kansallispuistoja, parantamassa golfswingiä tai suunnittelemassa seikkailumatkaa.
Akhil Raj Azhikodan on ohjelmistokehitysinsinööri, joka työskentelee Amazon Forecastin parissa. Häntä kiinnostaa luotettavien järjestelmien suunnittelu ja rakentaminen, jotka ratkaisevat monimutkaisia asiakkaiden ongelmia. Työn ulkopuolella hän nauttii historian oppimisesta, patikoinnista ja videopelien pelaamisesta.
Conner Smith on ohjelmistokehitysinsinööri, joka työskentelee Amazon Forecastin parissa. Hän keskittyy rakentamaan turvallisia, skaalautuvia hajautettuja järjestelmiä, jotka tarjoavat lisäarvoa asiakkaille. Työn ulkopuolella hän viettää aikaa lukemalla kaunokirjallisuutta, soittaen kitaraa ja katsomalla satunnaisia YouTube-videoita.
Shannon Killingsworth on Amazon Forecastin UX-suunnittelija. Hän on parantanut Forecastin käyttökokemusta kahden vuoden ajan yksinkertaistamalla prosesseja sekä lisäämällä uusia ominaisuuksia käyttäjillemme mielekkäällä tavalla. Työn ulkopuolella hän nauttii juoksemisesta, piirtämisestä ja lukemisesta.
- AI
- ai taide
- ai taiteen generaattori
- ai robotti
- Amazonin sääennuste
- Amazonin koneoppiminen
- Ilmoitukset
- tekoäly
- tekoälyn sertifiointi
- tekoäly pankkitoiminnassa
- tekoäly robotti
- tekoälyrobotit
- tekoälyohjelmisto
- AWS-koneoppiminen
- blockchain
- blockchain-konferenssi ai
- coingenius
- keskustelullinen tekoäly
- kryptokonferenssi ai
- dall's
- syvä oppiminen
- google ai
- koneoppiminen
- Platon
- plato ai
- Platonin tietotieto
- Platon peli
- PlatonData
- platopeliä
- mittakaava ai
- syntaksi
- zephyrnet