Sekarang dengan Prakiraan Amazon, Anda dapat dengan mulus melakukan analisis bagaimana-jika hingga 80% lebih cepat untuk menganalisis dan mengukur potensi dampak tuas bisnis pada perkiraan permintaan Anda. Forecast adalah layanan yang menggunakan machine learning (ML) untuk menghasilkan perkiraan permintaan yang akurat, tanpa memerlukan pengalaman ML. Mensimulasikan skenario melalui analisis bagaimana-jika adalah alat bisnis yang kuat untuk menavigasi melalui ketidakpastian peristiwa di masa depan dengan menangkap kemungkinan hasil dari skenario hipotetis. Ini adalah praktik umum untuk menilai dampak keputusan bisnis pada pendapatan atau profitabilitas, mengukur risiko yang terkait dengan tren pasar, mengevaluasi cara mengatur logistik dan tenaga kerja untuk memenuhi permintaan pelanggan, dan banyak lagi.
Melakukan analisis bagaimana-jika untuk peramalan permintaan dapat menjadi tantangan karena pertama-tama Anda memerlukan model yang akurat untuk memperkirakan permintaan dan kemudian cara cepat dan mudah untuk mereproduksi perkiraan di berbagai skenario. Sampai saat ini, meskipun Forecast memberikan perkiraan permintaan yang akurat, melakukan analisis bagaimana-jika menggunakan Forecast bisa menjadi rumit dan memakan waktu. Misalnya, perencanaan promosi ritel adalah aplikasi umum dari analisis bagaimana-jika untuk mengidentifikasi titik harga optimal suatu produk guna memaksimalkan pendapatan. Sebelumnya di Forecast, Anda harus menyiapkan dan mengimpor file input baru untuk setiap skenario yang ingin Anda uji. Jika Anda ingin menguji tiga titik harga yang berbeda, pertama-tama Anda harus membuat tiga file input baru dengan mengubah data offline secara manual dan kemudian mengimpor setiap file ke Forecast secara terpisah. Akibatnya, Anda melakukan serangkaian tugas yang sama untuk setiap skenario. Selain itu, untuk membandingkan skenario, Anda harus mengunduh prediksi dari setiap skenario satu per satu lalu menggabungkannya secara offline.
Dengan peluncuran hari ini, Anda dapat dengan mudah melakukan analisis bagaimana-jika hingga 80% lebih cepat. Kami telah mempermudah pembuatan skenario baru dengan menghilangkan kebutuhan manipulasi data offline dan impor untuk setiap skenario. Sekarang, Anda dapat menentukan skenario dengan mengubah kumpulan data awal melalui operasi sederhana, seperti mengalikan harga untuk produk A sebesar 90% atau menurunkan harga untuk produk B sebesar $10. Transformasi ini juga dapat dikombinasikan dengan kondisi untuk mengontrol parameter yang diterapkan dalam skenario (misalnya, mengurangi harga produk A hanya di satu lokasi). Dengan peluncuran ini, Anda dapat menentukan dan menjalankan beberapa skenario dari jenis analisis yang sama (seperti analisis promosi) atau jenis analisis yang berbeda (seperti analisis promosi di wilayah geografis 1 dan perencanaan inventaris di wilayah geografis 2) secara bersamaan. Terakhir, Anda tidak perlu lagi menggabungkan dan membandingkan hasil skenario secara offline. Sekarang, Anda dapat melihat prediksi perkiraan di semua skenario dalam grafik yang sama atau mengekspor data secara massal untuk peninjauan offline.
Ikhtisar solusi
Langkah-langkah dalam posting ini menunjukkan bagaimana menggunakan analisis bagaimana-jika pada Konsol Manajemen AWS. Untuk langsung menggunakan API Prakiraan untuk analisis bagaimana-jika, ikuti buku catatan di . kami GitHub repo yang memberikan demonstrasi analog.
Impor data pelatihan Anda
Untuk melakukan analisis bagaimana-jika, Anda harus mengimpor dua file CSV yang mewakili data deret waktu target (menunjukkan target prediksi) dan data deret waktu terkait (menampilkan atribut yang memengaruhi target). Contoh file deret waktu target kami berisi ID item produk, stempel waktu, permintaan, ID toko, kota, dan wilayah, dan file deret waktu terkait kami berisi ID item produk, ID toko, stempel waktu, kota, wilayah, dan harga.
Untuk mengimpor data Anda, selesaikan langkah-langkah berikut:
- Di konsol Forecast, pilih Lihat grup kumpulan data.
- Pilih Buat grup dataset.
- Untuk Nama grup kumpulan data, masukkan nama kumpulan data (untuk posting ini,
my_company_consumer_sales_history
). - Untuk Perkiraan domain, pilih domain perkiraan (untuk postingan ini,
Retail
). - Pilih Selanjutnya.
- pada Buat kumpulan data deret waktu target halaman, berikan nama set data, frekuensi data Anda, dan skema data
- Berikan detail impor set data.
- Pilih Start.
Tangkapan layar berikut menunjukkan informasi untuk halaman deret waktu target yang diisi untuk contoh kita.
Anda akan dibawa ke dasbor yang dapat Anda gunakan untuk melacak kemajuan.
- Untuk mengimpor file deret waktu terkait, di dasbor, pilih impor.
- pada Buat kumpulan data deret waktu terkait halaman, berikan nama set data dan skema data.
- Berikan detail impor set data.
- Pilih Start.
Tangkapan layar berikut menunjukkan informasi yang diisi untuk contoh kita.
Latih seorang prediktor
Selanjutnya, kami melatih seorang prediktor.
- Di dasbor, pilih Latih prediktor.
- pada Latih prediktor halaman, masukkan nama untuk prediktor Anda, berapa lama di masa depan yang ingin Anda ramalkan dan pada frekuensi apa, dan jumlah kuantil yang ingin Anda ramalkan.
- Aktifkan AutoPredictor โ ini diperlukan untuk menggunakan analisis bagaimana-jika.
- Pilih membuat.
Tangkapan layar berikut menunjukkan informasi yang diisi untuk contoh kita.
Buat perkiraan
Setelah prediktor kami dilatih (ini bisa memakan waktu sekitar 2.5 jam), kami membuat perkiraan. Anda akan tahu bahwa prediktor Anda terlatih ketika Anda melihat Lihat Prediktor tombol di dasbor Anda.
- Pilih Buat perkiraan di Dasbor
- pada Buat perkiraan halaman, masukkan nama perkiraan, pilih prediktor yang Anda buat, dan tentukan kuantil perkiraan (opsional) dan item untuk menghasilkan perkiraan.
- Pilih Start.
Setelah Anda menyelesaikan langkah-langkah ini, Anda telah berhasil membuat perkiraan. Ini mewakili skenario perkiraan dasar yang Anda gunakan untuk melakukan analisis bagaimana-jika.
Jika Anda memerlukan bantuan lebih lanjut untuk membuat perkiraan dasar Anda, lihat Memulai (Konsol). Kami sekarang pindah ke langkah selanjutnya dalam melakukan analisis bagaimana-jika.
Buat analisis bagaimana-jika
Pada titik ini, kami telah membuat perkiraan dasar kami dan akan memulai panduan tentang bagaimana melakukan analisis bagaimana-jika. Ada tiga tahap untuk melakukan analisis bagaimana-jika: menyiapkan analisis, membuat prakiraan bagaimana-jika dengan mendefinisikan apa yang diubah dalam skenario, dan membandingkan hasilnya.
- Untuk menyiapkan analisis Anda, pilih Jelajahi analisis bagaimana-jika di dasbor.
- Pilih membuat.
- Masukkan nama unik dan pilih perkiraan dasar pada menu tarik-turun.
- Pilih item dalam kumpulan data Anda yang ingin Anda lakukan analisis bagaimana-jika. Anda memiliki dua opsi:
- Pilih semua item adalah default, yang kita pilih dalam posting ini.
- Jika Anda ingin memilih item tertentu, pilih Pilih item dengan file dan impor file CSV yang berisi pengidentifikasi unik untuk item terkait dan dimensi terkait (seperti wilayah).
- Pilih Buat analisis bagaimana-jika.
Buat perkiraan bagaimana-jika
Selanjutnya, kami membuat perkiraan bagaimana-jika untuk menentukan skenario yang ingin kami analisis.
- Pilih membuat.
- Masukkan nama skenario Anda.
Anda dapat menentukan skenario Anda melalui dua opsi:
- Gunakan fungsi transformasi โ Gunakan pembuat transformasi untuk mengubah data deret waktu terkait yang Anda impor. Untuk panduan ini, kami mengevaluasi bagaimana permintaan suatu item dalam kumpulan data kami berubah saat harga dikurangi 10% dan kemudian 30% jika dibandingkan dengan harga di perkiraan dasar.
- Tentukan perkiraan bagaimana-jika dengan set data pengganti โ Ganti set data deret waktu terkait yang Anda impor.
Pembuat fungsi transformasi menyediakan kemampuan untuk mengubah data deret waktu terkait yang Anda impor sebelumnya melalui operasi sederhana untuk menambah, mengurangi, membagi, dan mengalikan fitur dalam data Anda (misalnya harga) dengan nilai yang Anda tentukan. Sebagai contoh, kami membuat skenario di mana kami mengurangi harga sebesar 10%, dan harga adalah fitur dalam kumpulan data.
- Untuk Metode definisi perkiraan bagaimana-jika, pilih Gunakan fungsi transformasi.
- Pilih Mengalikan sebagai operator kami, harga pompa cor beton mini sebagai deret waktu kami, dan masukkan 0.9.
Anda juga dapat menambahkan kondisi untuk lebih menyempurnakan skenario Anda. Misalnya, jika kumpulan data Anda berisi informasi toko yang diatur menurut wilayah, Anda dapat membatasi skenario pengurangan harga berdasarkan wilayah. Anda dapat menentukan skenario pengurangan harga 10% yang berlaku untuk toko yang tidak berada di Region_1.
- Pilih Tambahkan ketentuan.
- Pilih Tidak sama sebagai operasi dan masukkan Region_1.
Opsi lain untuk mengubah deret waktu terkait Anda adalah dengan mengimpor kumpulan data baru yang sudah berisi data yang menentukan skenario. Misalnya, untuk menentukan skenario dengan pengurangan harga 10%, kita dapat mengunggah kumpulan data baru yang menentukan pengidentifikasi unik untuk item yang berubah dan perubahan harga yang 10% lebih rendah. Untuk melakukannya, pilih Tentukan perkiraan bagaimana-jika dengan set data pengganti dan impor CSV yang berisi perubahan harga.
- Untuk menyelesaikan definisi perkiraan bagaimana-jika, pilih membuat.
Ulangi proses untuk membuat ramalan bagaimana-jika lainnya dengan pengurangan harga 30%.
Setelah analisis bagaimana-jika berjalan untuk setiap perkiraan bagaimana-jika, statusnya akan berubah menjadi aktif. Ini mengakhiri tahap kedua, dan Anda dapat melanjutkan untuk membandingkan prakiraan bagaimana-jika.
Bandingkan perkiraan
Kami sekarang dapat membandingkan prakiraan bagaimana-jika untuk kedua skenario kami, membandingkan penurunan harga 10% dengan penurunan harga 30%.
- Pada halaman wawasan analisis, navigasikan ke Bandingkan prakiraan bagaimana-jika bagian.
- Untuk item_id, masukkan item yang akan dianalisis.
- Untuk Prakiraan bagaimana-jika, pilih skenario yang akan dibandingkan (untuk postingan ini,
Scenario_1
danScenario_2
). - Pilih Bandingkan bagaimana-jika.
Grafik berikut menunjukkan permintaan yang dihasilkan di kedua skenario kami.
Secara default, ini menampilkan P50 dan skenario kasus dasar. Anda dapat melihat semua kuantil yang dihasilkan dengan memilih kuantil pilihan Anda di Pilih perkiraan menu drop down.
Ekspor data Anda
Untuk mengekspor data Anda ke CSV, selesaikan langkah-langkah berikut:
- Pilih Buat ekspor.
- Masukkan nama untuk file ekspor Anda (untuk posting ini,
my_scenario_export
) - Tentukan skenario yang akan diekspor dengan memilih skenario di Bagaimana-Jika Prakiraan menu drop down. Anda dapat mengekspor beberapa skenario sekaligus dalam file gabungan.
- Untuk Lokasi ekspor, sebutkan Layanan Penyimpanan Sederhana Amazon (Amazon S3) lokasi.
- Untuk memulai ekspor, pilih Buat Ekspor.
- Untuk mengunduh ekspor, pertama-tama navigasikan ke lokasi jalur file S3 dari AWS Management Console dan pilih file dan pilih tombol unduh. File ekspor akan berisi stempel waktu, ID item, dimensi, dan perkiraan untuk setiap kuantil untuk semua skenario yang dipilih (termasuk skenario dasar).
Kesimpulan
Analisis skenario adalah alat penting untuk membantu menavigasi melalui ketidakpastian bisnis. Ini memberikan pandangan ke depan dan mekanisme untuk menguji ide-ide, membuat bisnis lebih tangguh, lebih siap, dan mengendalikan masa depan mereka. Prakiraan sekarang mendukung peramalan analisis skenario bagaimana-jika. Untuk melakukan analisis skenario Anda, buka konsol Forecast dan ikuti langkah-langkah yang diuraikan dalam posting ini, atau lihat kami Buku catatan GitHub tentang cara mengakses fungsionalitas melalui API.
Untuk mempelajari lebih lanjut, lihat BuatWhatIfAnalysis halaman dalam panduan pengembang.
Tentang penulis
Brandon Nair adalah Manajer Produk Senior untuk Amazon Forecast. Minat profesionalnya terletak pada pembuatan layanan dan aplikasi machine learning yang skalabel. Di luar pekerjaan ia dapat ditemukan menjelajahi taman nasional, menyempurnakan ayunan golfnya atau merencanakan perjalanan petualangan.
Akhil Raj Azhikodan adalah Insinyur Pengembangan Perangkat Lunak yang bekerja di Amazon Forecast. Minatnya adalah merancang dan membangun sistem andal yang memecahkan masalah pelanggan yang kompleks. Di luar pekerjaan, ia senang belajar tentang sejarah, hiking, dan bermain video game.
Conner Smith adalah Insinyur Pengembangan Perangkat Lunak yang bekerja di Amazon Forecast. Dia berfokus pada membangun sistem terdistribusi yang aman dan dapat diskalakan yang memberikan nilai kepada pelanggan. Di luar pekerjaan ia menghabiskan waktu membaca fiksi, bermain gitar, dan menonton video YouTube secara acak.
Shannon Killingsworth adalah Desainer UX untuk Amazon Forecast. Dia telah meningkatkan pengalaman pengguna di Prakiraan selama dua tahun dengan menyederhanakan proses serta menambahkan fitur baru dengan cara yang masuk akal bagi pengguna kami. Di luar pekerjaan dia suka berlari, menggambar, dan membaca.
- AI
- ai seni
- generator seni ai
- punya robot
- Prakiraan Amazon
- Pembelajaran Mesin Amazon
- Pengumuman
- kecerdasan buatan
- sertifikasi kecerdasan buatan
- kecerdasan buatan dalam perbankan
- robot kecerdasan buatan
- robot kecerdasan buatan
- perangkat lunak kecerdasan buatan
- Pembelajaran Mesin AWS
- blockchain
- konferensi blockchain
- kecerdasan
- kecerdasan buatan percakapan
- konferensi kripto
- dall's
- belajar mendalam
- google itu
- Mesin belajar
- plato
- plato ai
- Kecerdasan Data Plato
- Permainan Plato
- Data Plato
- permainan plato
- skala ai
- sintaksis
- zephyrnet.dll