Mulailah perjalanan sukses Anda dengan perkiraan deret waktu dengan Amazon Forecast

Organisasi dengan berbagai ukuran berjuang untuk mengembangkan bisnis mereka, meningkatkan efisiensi, dan melayani pelanggan mereka dengan lebih baik daripada sebelumnya. Meskipun masa depan tidak pasti, pendekatan berbasis data dan berbasis sains dapat membantu mengantisipasi apa yang ada di depan untuk berhasil menavigasi melalui lautan pilihan.

Setiap industri menggunakan peramalan deret waktu untuk mengatasi berbagai kebutuhan perencanaan, termasuk namun tidak terbatas pada:

Dalam posting ini, kami menguraikan lima praktik terbaik untuk memulai Prakiraan Amazon, dan terapkan kecanggihan prediksi machine learning (ML) yang sangat akurat untuk bisnis Anda.

Mengapa Prakiraan Amazon

AWS menawarkan layanan peramalan deret waktu terkelola sepenuhnya yang disebut Amazon Forecast yang memungkinkan Anda membuat dan mempertahankan prakiraan deret waktu otomatis berkelanjutan tanpa memerlukan keahlian ML. Selain itu, Anda dapat membuat dan menerapkan operasi perkiraan berulang tanpa perlu menulis kode, membuat model ML, atau mengelola infrastruktur.

Kemampuan Forecast memungkinkannya melayani berbagai peran pelanggan, mulai dari analis dan manajer rantai pasokan hingga pengembang dan pakar ML. Ada beberapa alasan mengapa pelanggan menyukai Forecast: ia menawarkan akurasi tinggi, hasil berulang, dan kemampuan untuk melayani sendiri tanpa menunggu ketersediaan sumber daya teknis khusus. Prakiraan juga dipilih oleh pakar ilmu data karena memberikan hasil yang sangat akurat, berdasarkan ansambel model yang disetel sendiri, dan fleksibilitas untuk bereksperimen dengan cepat tanpa harus menerapkan atau mengelola kluster dengan ukuran tertentu. Model ML-nya juga memudahkan untuk mendukung prakiraan item dalam jumlah besar, dan dapat menghasilkan akurasi prakiraan untuk item cold-start tanpa riwayat.

Lima praktik terbaik saat memulai Prakiraan

Prakiraan memberikan akurasi tinggi dan waktu pemasaran yang cepat untuk pengembang dan ilmuwan data. Meskipun mengembangkan model deret waktu yang sangat akurat telah menjadi mudah, postingan ini memberikan praktik terbaik untuk mempercepat orientasi Anda dan menghargai waktu. Sedikit ketelitian dan mungkin beberapa putaran percobaan harus diterapkan untuk mencapai kesuksesan. Perjalanan peramalan yang sukses bergantung pada banyak faktor, beberapa tidak kentara.

Ini adalah beberapa item utama yang harus Anda pertimbangkan saat mulai bekerja dengan Forecast.

Mulai dari yang sederhana

Seperti yang ditunjukkan pada flywheel berikut, pertimbangkan untuk memulai dengan model sederhana yang menggunakan a deret waktu sasaran kumpulan data untuk mengembangkan garis dasar saat Anda mengusulkan kumpulan data input pertama Anda. Eksperimen selanjutnya dapat menambahkan lainnya fitur temporal dan metadata statis dengan tujuan untuk meningkatkan akurasi model. Setiap kali perubahan dilakukan, Anda dapat mengukur dan mempelajari seberapa banyak perubahan tersebut telah membantu, jika memang ada. Bergantung pada penilaian Anda, Anda dapat memutuskan untuk tetap menyediakan serangkaian fitur baru, atau melakukan pivot dan mencoba opsi lain.

Fokus pada outlier

Dengan Prakiraan, Anda dapat memperoleh statistik akurasi untuk seluruh kumpulan data. Penting untuk diketahui bahwa meskipun statistik tingkat atas ini menarik, statistik ini harus dipandang hanya benar secara terarah. Anda harus berkonsentrasi pada statistik akurasi tingkat item daripada statistik tingkat atas. Pertimbangkan scatterplot berikut sebagai panduan. Beberapa item dalam dataset akan memiliki akurasi yang tinggi; untuk ini tidak diperlukan tindakan.

Saat membuat model, Anda harus menjelajahi beberapa poin yang diberi label sebagai "rangkaian waktu eksplorasi". Dalam kasus eksplorasi ini, tentukan cara meningkatkan akurasi dengan memasukkan lebih banyak data input, seperti variasi harga, pembelanjaan promosi, fitur musiman eksplisit, dan penyertaan peristiwa dan kondisi lokal, pasar, global, dan dunia nyata lainnya.

Tinjau keakuratan prediktor sebelum membuat prakiraan

Jangan membuat prakiraan tanggal mendatang dengan Prakiraan sampai Anda telah meninjau keakuratan prediksi selama periode uji ulang. Scatterplot sebelumnya mengilustrasikan akurasi tingkat deret waktu, yang merupakan indikasi terbaik Anda untuk seperti apa prediksi tanggal mendatang, semua hal lainnya dianggap sama. Jika periode ini tidak memberikan tingkat akurasi yang Anda butuhkan, jangan lanjutkan operasi perkiraan tanggal mendatang, karena hal ini dapat mengakibatkan pengeluaran yang tidak efisien. Alih-alih, fokuslah untuk menambah data input Anda dan mencoba putaran lain di roda gila inovasi, seperti yang telah dibahas sebelumnya.

Mengurangi waktu pelatihan

Anda dapat mengurangi waktu pelatihan melalui dua mekanisme. Pertama, gunakan Forecast's fungsi melatih kembali untuk membantu mengurangi waktu pelatihan melalui transfer belajar. Kedua, mencegah penyimpangan model pemantauan prediktor dengan pelatihan hanya bila diperlukan.

Membangun proses berulang

Kami mendorong Anda untuk tidak membuat alur kerja Prakiraan melalui Konsol Manajemen AWS atau menggunakan API dari awal hingga Anda setidaknya telah mengevaluasi Repo GitHub sampel AWS. Misi kami dengan sampel GitHub adalah untuk membantu menghilangkan friksi dan mempercepat waktu pemasaran Anda dengan alur kerja berulang yang telah dirancang dengan cermat. Alur kerja ini tanpa server dan dapat dijadwalkan untuk berjalan sesuai jadwal reguler.

Kunjungi repo GitHub resmi kami, tempat Anda dapat menerapkan panduan solusi kami dengan cepat dengan mengikuti langkah-langkah yang disediakan. Seperti yang diperlihatkan dalam gambar berikut, alur kerja menyediakan alur end-to-end lengkap yang dapat mengambil data historis, mengimpornya, membuat model, dan membuat inferensi terhadap model—semuanya tanpa perlu menulis kode.

Gambar berikut menawarkan tampilan yang lebih dalam hanya pada satu modul, yang mampu memanen data historis untuk pelatihan model dari berbagai sumber database yang didukung oleh Kueri Federasi Amazon Athena.

Mulailah dari hari ini

Anda dapat menerapkan alur kerja produksi yang sepenuhnya otomatis dalam hitungan hari hingga minggu, terutama bila dipasangkan dengan saluran orkestrasi alur kerja kami yang tersedia di Repositori sampel GitHub.

Video re:Invent ini menyoroti kasus penggunaan pelanggan yang mengotomatiskan alur kerja mereka menggunakan model GitHub ini:

Prakiraan memiliki banyak kemampuan bawaan untuk membantu Anda mencapai tujuan bisnis melalui perkiraan berbasis ML yang sangat akurat. Kami mendorong Anda untuk menghubungi tim akun AWS Anda jika memiliki pertanyaan dan memberi tahu mereka bahwa Anda ingin berbicara dengan spesialis deret waktu untuk memberikan panduan dan arahan. Kami juga dapat menawarkan lokakarya untuk membantu Anda mempelajari cara menggunakan Forecast.

Kami di sini untuk mendukung Anda dan organisasi Anda saat Anda berusaha untuk mengotomatisasi dan meningkatkan peramalan permintaan di perusahaan Anda. Peramalan yang lebih akurat dapat menghasilkan penjualan yang lebih tinggi, pengurangan pemborosan yang signifikan, pengurangan inventaris yang menganggur, dan pada akhirnya tingkat layanan pelanggan yang lebih tinggi.

Ambil tindakan hari ini; tidak ada waktu yang lebih baik daripada saat ini untuk mulai menciptakan hari esok yang lebih baik.

---

tentang Penulis

Charles Tertawa adalah Arsitek Solusi Spesialis AI/ML Utama dan bekerja di dalam tim Time Series ML di AWS. Dia membantu membentuk peta jalan layanan Amazon Forecast dan berkolaborasi setiap hari dengan beragam pelanggan AWS untuk membantu mengubah bisnis mereka menggunakan teknologi AWS mutakhir dan pemikiran kepemimpinan. Charles memegang gelar MS dalam Manajemen Rantai Pasokan dan telah menghabiskan dekade terakhir bekerja di industri barang kemasan konsumen.

Dan Sinnreich adalah Manajer Produk Senior untuk Amazon Forecast. Dia berfokus pada demokratisasi pembelajaran mesin kode rendah/tanpa kode dan menerapkannya untuk meningkatkan hasil bisnis. Di luar pekerjaan, ia dapat ditemukan bermain hoki, mencoba meningkatkan servis tenisnya, menyelam scuba, dan membaca fiksi ilmiah.