Begin uw succesvolle reis met tijdreeksprognoses met Amazon Forecast

Organisaties van elke omvang streven ernaar hun bedrijf te laten groeien, de efficiëntie te verbeteren en hun klanten beter dan ooit tevoren van dienst te zijn. Hoewel de toekomst onzeker is, kan een op gegevens gebaseerde, op wetenschap gebaseerde aanpak helpen anticiperen op wat ons te wachten staat om met succes door een zee van keuzes te navigeren.

Elke branche gebruikt tijdreeksprognoses om aan verschillende planningsbehoeften te voldoen, inclusief maar niet beperkt tot:

In dit bericht schetsen we vijf best practices om mee aan de slag te gaan Amazon voorspelling, en pas de kracht van zeer nauwkeurige prognoses voor machine learning (ML) toe op uw bedrijf.

Waarom Amazon Forecast

AWS biedt een volledig beheerde tijdreeksprognoseservice, Amazon Forecast genaamd, waarmee u doorlopende geautomatiseerde tijdreeksprognoses kunt genereren en onderhouden zonder dat u ML-expertise nodig heeft. Bovendien kunt u herhaalbare prognosebewerkingen bouwen en implementeren zonder dat u code hoeft te schrijven, ML-modellen hoeft te bouwen of infrastructuur hoeft te beheren.

Dankzij de mogelijkheden van Forecast kan het een breed scala aan klantrollen bedienen, van analisten en supply chain-managers tot ontwikkelaars en ML-experts. Er zijn verschillende redenen waarom klanten de voorkeur geven aan Forecast: het biedt een hoge nauwkeurigheid, herhaalbare resultaten en de mogelijkheid om zichzelf te bedienen zonder te hoeven wachten op de beschikbaarheid van gespecialiseerde technische middelen. Forecast wordt ook geselecteerd door experts op het gebied van datawetenschap omdat het uiterst nauwkeurige resultaten oplevert, gebaseerd op een geheel van zelfafgestelde modellen, en de flexibiliteit om snel te experimenteren zonder clusters van een bepaalde grootte te hoeven implementeren of beheren. De ML-modellen maken het ook gemakkelijker om prognoses voor een groot aantal artikelen te ondersteunen en kunnen nauwkeurig worden gegenereerd prognoses voor items met een koude start zonder geschiedenis.

Vijf praktische tips om aan de slag te gaan met Forecast

Forecast biedt hoge nauwkeurigheid en snelle time-to-market voor ontwikkelaars en datawetenschappers. Hoewel het ontwikkelen van zeer nauwkeurige tijdreeksmodellen gemakkelijk is gemaakt, biedt dit bericht best practices om uw onboarding en time-to-value te versnellen. Een beetje strengheid en misschien een paar experimenteerrondes moeten worden toegepast om succes te bereiken. Een succesvol prognosetraject is afhankelijk van meerdere factoren, sommige subtiel.

Dit zijn enkele belangrijke punten waarmee u rekening moet houden wanneer u met Forecast gaat werken.

Begin eenvoudig

Zoals getoond in het volgende vliegwiel, overweeg om te beginnen met een eenvoudig model dat a gebruikt doel tijdreeks dataset om een ​​basislijn te ontwikkelen terwijl u uw eerste set invoergegevens voorstelt. Latere experimenten kunnen andere toevoegen tijdelijke kenmerken en statische metadata met als doel de modelnauwkeurigheid te verbeteren. Elke keer dat er een wijziging wordt aangebracht, kunt u meten en leren hoeveel de wijziging heeft geholpen, of helemaal niet. Afhankelijk van uw beoordeling, kunt u besluiten om de nieuwe set functies te behouden, of om te draaien en een andere optie te proberen.

Focus op de uitschieters

Met Forecast kunt u nauwkeurigheidsstatistieken verkrijgen voor de gehele dataset. Het is belangrijk om te erkennen dat, hoewel deze statistiek op het hoogste niveau interessant is, deze moet worden beschouwd als alleen directioneel correct. U moet zich concentreren op nauwkeurigheidsstatistieken op itemniveau in plaats van statistieken op het hoogste niveau. Beschouw de volgende scatterplot als richtlijn. Sommige items in de dataset zullen een hoge nauwkeurigheid hebben; hiervoor is geen actie vereist.

Tijdens het bouwen van een model moet u enkele van de punten verkennen die zijn aangeduid als 'verkennende tijdreeksen'. Bepaal in deze verkennende gevallen hoe de nauwkeurigheid kan worden verbeterd door meer invoergegevens op te nemen, zoals prijsvariaties, promotie-uitgaven, expliciete seizoenskenmerken en het opnemen van lokale, markt-, wereldwijde en andere real-world gebeurtenissen en omstandigheden.

Controleer de nauwkeurigheid van de voorspelling voordat u prognoses maakt

Maak geen prognoses met toekomstige datums met Forecast totdat u de nauwkeurigheid van de voorspelling tijdens de backtest-periode hebt gecontroleerd. De voorgaande scatterplot illustreert de nauwkeurigheid op tijdreeksniveau, wat uw beste indicatie is voor hoe toekomstige gedateerde voorspellingen eruit zullen zien, terwijl alle andere dingen hetzelfde zijn. Als deze periode niet het vereiste nauwkeurigheidsniveau biedt, ga dan niet verder met de toekomstgedateerde prognosebewerking, omdat dit kan leiden tot inefficiënte uitgaven. Concentreer u in plaats daarvan op het vergroten van uw invoergegevens en probeer nog een ronde op het innovatievliegwiel, zoals eerder besproken.

Verkort de trainingstijd

U kunt de trainingstijd op twee manieren verkorten. Gebruik eerst Forecast's omscholingsfunctie om de trainingstijd te helpen verkorten door middel van transferleren. Ten tweede, voorkom modelafwijking met voorspellende monitoring door alleen te trainen wanneer dat nodig is.

Bouw herhaalbare processen

We raden u aan geen Forecast-workflows te bouwen via de AWS-beheerconsole of vanaf het begin API's gebruiken totdat u op zijn minst onze hebt geëvalueerd AWS neemt voorbeelden van GitHub-opslagplaats. Onze missie met GitHub-voorbeelden is om wrijving te helpen wegnemen en uw time-to-market te versnellen met herhaalbare workflows die al doordacht zijn ontworpen. Deze workflows zijn serverloos en kunnen volgens een regelmatig schema worden uitgevoerd.

Bezoek onze officiële GitHub-opslagplaats, waar u onze oplossingsrichtlijnen snel kunt implementeren door de gegeven stappen te volgen. Zoals te zien is in de volgende afbeelding, biedt de workflow een complete end-to-end-pijplijn die historische gegevens kan ophalen, importeren, modellen kan bouwen en conclusies kan trekken tegen de modellen, en dat alles zonder code te hoeven schrijven.

De volgende afbeelding biedt een dieper inzicht in slechts één module, die historische gegevens voor modeltraining kan verzamelen uit een groot aantal databasebronnen die worden ondersteund door Amazon Athena Federated-query.

Begin vandaag

U kunt binnen enkele dagen tot weken een volledig geautomatiseerde productieworkflow implementeren, vooral in combinatie met onze workfloworkestratiepijplijn die beschikbaar is op ons GitHub-voorbeeldrepository.

Deze re:Invent-video belicht een use-case van een klant die zijn workflow automatiseerde met behulp van dit GitHub-model:

Forecast heeft veel ingebouwde mogelijkheden om u te helpen uw zakelijke doelen te bereiken door middel van zeer nauwkeurige op ML gebaseerde prognoses. We raden u aan contact op te nemen met uw AWS-accountteam als u vragen heeft en hen te laten weten dat u graag met een time series-specialist wilt spreken om u te begeleiden en richting te geven. We kunnen ook workshops aanbieden om u te helpen bij het leren gebruiken van Forecast.

We zijn er om u en uw organisatie te ondersteunen bij uw streven om vraagprognoses in uw bedrijf te automatiseren en te verbeteren. Een nauwkeurigere prognose kan resulteren in hogere verkopen, een aanzienlijke vermindering van verspilling, een vermindering van ongebruikte voorraden en uiteindelijk een hoger niveau van klantenservice.

Kom vandaag nog in actie; er is geen beter moment dan het heden om te beginnen met het creëren van een betere toekomst.

---

Over de auteur

Charles Lachlin is een Principal AI/ML Specialist Solution Architect en werkt binnen het Time Series ML-team bij AWS. Hij helpt de Amazon Forecast-serviceroadmap vorm te geven en werkt dagelijks samen met diverse AWS-klanten om hun bedrijven te helpen transformeren met behulp van geavanceerde AWS-technologieën en thought leadership. Charles heeft een MS in Supply Chain Management en heeft de afgelopen tien jaar in de sector van verpakte consumentengoederen gewerkt.

Dan Sinnreich is Sr. Product Manager voor Amazon Forecast. Hij is gericht op het democratiseren van low-code/no-code machine learning en het toepassen ervan om de bedrijfsresultaten te verbeteren. Buiten zijn werk kan hij hockey spelen, zijn tennisservice verbeteren, duiken en sciencefiction lezen.