Comece sua jornada de sucesso com a previsão de séries temporais com o Amazon Forecast

Organizações de todos os tamanhos estão se esforçando para expandir seus negócios, melhorar a eficiência e atender seus clientes melhor do que nunca. Mesmo que o futuro seja incerto, uma abordagem baseada em dados e ciência pode ajudar a antecipar o que está por vir para navegar com sucesso por um mar de escolhas.

Todo setor usa a previsão de séries temporais para atender a uma variedade de necessidades de planejamento, incluindo, mas não se limitando a:

Nesta postagem, descrevemos cinco práticas recomendadas para começar a usar Previsão da Amazônia, e aplique o poder da previsão de aprendizado de máquina (ML) de alta precisão à sua empresa.

Por que a Amazon Previsão

A AWS oferece um serviço de previsão de séries temporais totalmente gerenciado, chamado Amazon Forecast, que permite gerar e manter previsões automatizadas contínuas de séries temporais sem exigir experiência em ML. Além disso, você pode criar e implantar operações de previsão repetíveis sem a necessidade de escrever código, criar modelos de ML ou gerenciar a infraestrutura.

Os recursos do Forecast permitem que ele atenda a uma ampla variedade de funções de clientes, desde analistas e gerentes da cadeia de suprimentos até desenvolvedores e especialistas em ML. Existem várias razões pelas quais os clientes preferem o Forecast: ele oferece alta precisão, resultados repetíveis e capacidade de autoatendimento sem esperar pela disponibilidade de recursos técnicos especializados. O Forecast também é selecionado por especialistas em ciência de dados porque fornece resultados altamente precisos, com base em um conjunto de modelos auto-ajustáveis, e a flexibilidade para experimentar rapidamente sem ter que implantar ou gerenciar clusters de qualquer tamanho específico. Seus modelos de ML também facilitam o suporte a previsões para um grande número de itens e podem gerar previsões para itens de partida a frio sem história.

Cinco práticas recomendadas ao começar a usar o Forecast

O Forecast fornece alta precisão e tempo de lançamento no mercado rápido para desenvolvedores e cientistas de dados. Embora o desenvolvimento de modelos de séries temporais altamente precisos tenha sido facilitado, esta postagem fornece as práticas recomendadas para acelerar sua integração e o tempo de valorização. Um pouco de rigor e talvez algumas rodadas de experimentação devem ser aplicados para alcançar o sucesso. Uma jornada de previsão bem-sucedida depende de vários fatores, alguns sutis.

Estes são alguns itens importantes que você deve considerar ao começar a trabalhar com o Forecast.

Comece simples

Conforme mostrado no flywheel a seguir, considere começar com um modelo simples que usa um série temporal alvo conjunto de dados para desenvolver uma linha de base conforme você propõe seu primeiro conjunto de dados de entrada. Experimentos subseqüentes podem adicionar outros características temporais e metadados estáticos com o objetivo de melhorar a precisão do modelo. Cada vez que uma mudança é feita, você pode medir e saber o quanto a mudança ajudou, se é que ajudou. Dependendo da sua avaliação, você pode decidir manter o novo conjunto de recursos fornecidos ou mudar e tentar outra opção.

Concentre-se nos valores atípicos

Com o Forecast, você pode obter estatísticas de precisão para todo o conjunto de dados. É importante reconhecer que, embora essa estatística de alto nível seja interessante, ela deve ser vista como sendo apenas direcionalmente correta. Você deve se concentrar nas estatísticas de precisão no nível do item, em vez das estatísticas de nível superior. Considere o gráfico de dispersão a seguir como um guia. Alguns dos itens no conjunto de dados terão alta precisão; para estes nenhuma ação é necessária.

Ao construir um modelo, você deve explorar alguns dos pontos rotulados como “séries temporais exploratórias”. Nesses casos exploratórios, determine como melhorar a precisão incorporando mais dados de entrada, como variações de preços, gastos promocionais, recursos explícitos de sazonalidade e a inclusão de eventos e condições locais, de mercado, globais e outros do mundo real.

Revise a precisão do preditor antes de criar previsões

Não crie previsões com data futura com Forecast até que você tenha revisado a precisão da previsão durante o período de backtest. O gráfico de dispersão anterior ilustra a precisão do nível da série temporal, que é sua melhor indicação de como serão as previsões de datas futuras, todas as outras coisas sendo as mesmas. Se esse período não estiver fornecendo o nível de precisão necessário, não prossiga com a operação de previsão com data futura, pois isso pode levar a gastos ineficientes. Em vez disso, concentre-se em aumentar seus dados de entrada e tentar outra rodada no volante da inovação, conforme discutido anteriormente.

Reduza o tempo de treinamento

Você pode reduzir o tempo de treinamento por meio de dois mecanismos. Primeiro, use as previsões função de retreinar para ajudar a reduzir o tempo de treinamento por meio do aprendizado por transferência. Em segundo lugar, evite o desvio do modelo com monitoramento preditivo treinando apenas quando necessário.

Crie processos repetíveis

Recomendamos que você não crie fluxos de trabalho de previsão por meio do Console de gerenciamento da AWS ou usando APIs do zero até que você tenha pelo menos avaliado nosso Repo do GitHub de amostras da AWS. Nossa missão com as amostras do GitHub é ajudar a remover o atrito e agilizar seu tempo de lançamento no mercado com fluxos de trabalho repetíveis que já foram cuidadosamente projetados. Esses fluxos de trabalho não têm servidor e podem ser agendados para execução regular.

Visite nosso repositório GitHub oficial, onde você pode implantar rapidamente nossa orientação de solução seguindo as etapas fornecidas. Conforme mostrado na figura a seguir, o fluxo de trabalho fornece um pipeline completo de ponta a ponta que pode recuperar dados históricos, importá-los, criar modelos e produzir inferências nos modelos — tudo sem a necessidade de escrever código.

A figura a seguir oferece uma visão mais profunda de apenas um módulo, que é capaz de coletar dados históricos para treinamento de modelo de uma infinidade de fontes de banco de dados suportadas por Consulta federada Amazon Athena.

Comece hoje mesmo

Você pode implementar um fluxo de trabalho de produção totalmente automatizado em questão de dias ou semanas, especialmente quando combinado com nosso pipeline de orquestração de fluxo de trabalho disponível em nosso Repositório de amostra do GitHub.

Este vídeo re:Invent destaca um caso de uso de um cliente que automatizou seu fluxo de trabalho usando este modelo do GitHub:

O Forecast tem muitos recursos integrados para ajudá-lo a atingir suas metas de negócios por meio de previsões altamente precisas baseadas em ML. Incentivamos você a entrar em contato com a equipe de contas da AWS se tiver alguma dúvida e informar que gostaria de falar com um especialista em séries temporais para fornecer orientação e orientação. Também podemos oferecer workshops para ajudá-lo a aprender como usar o Forecast.

Estamos aqui para apoiar você e sua organização enquanto você se esforça para automatizar e melhorar a previsão de demanda em sua empresa. Uma previsão mais precisa pode resultar em vendas mais altas, uma redução significativa no desperdício, uma redução no estoque ocioso e, finalmente, níveis mais altos de atendimento ao cliente.

Tome uma atitude hoje; não há melhor momento do que o presente para começar a criar um amanhã melhor.

---

Sobre o autor

Charles Laughlin é Arquiteto Principal de Soluções Especialistas em AI/ML e trabalha na equipe Time Series ML da AWS. Ele ajuda a moldar o roteiro do serviço Amazon Forecast e colabora diariamente com diversos clientes da AWS para ajudar a transformar seus negócios usando tecnologias de ponta da AWS e liderança de pensamento. Charles tem mestrado em Gerenciamento da Cadeia de Suprimentos e passou a última década trabalhando na indústria de bens de consumo embalados.

Dan Sinnreich é Gerente de Produto Sênior da Amazon Forecast. Ele está focado em democratizar o aprendizado de máquina low-code/no-code e aplicá-lo para melhorar os resultados de negócios. Fora do trabalho, ele pode ser encontrado jogando hóquei, tentando melhorar seu saque de tênis, mergulhando e lendo ficção científica.