Теперь с Прогноз Амазонки, вы можете беспрепятственно проводить анализ «что, если» до 80 % быстрее, чтобы анализировать и количественно определять потенциальное влияние бизнес-рычагов на ваши прогнозы спроса. Прогноз — это служба, которая использует машинное обучение (ML) для создания точных прогнозов спроса, не требуя никакого опыта ML. Моделирование сценариев с помощью анализа «что, если» — это мощный бизнес-инструмент, позволяющий ориентироваться в неопределенности будущих событий, фиксируя возможные результаты гипотетических сценариев. Общепринятой практикой является оценка влияния бизнес-решений на выручку или прибыльность, количественная оценка риска, связанного с рыночными тенденциями, оценка того, как организовать логистику и рабочую силу для удовлетворения потребительского спроса и многое другое.
Проведение анализа «что, если» для прогнозирования спроса может быть сложной задачей, поскольку сначала вам нужны точные модели для прогнозирования спроса, а затем быстрый и простой способ воспроизвести прогноз для ряда сценариев. До сих пор, несмотря на то, что Forecast предоставлял точные прогнозы спроса, проведение анализа «что, если» с помощью Forecast могло быть громоздким и занимать много времени. Например, планирование продвижения в розничной торговле является распространенным применением анализа «что, если» для определения оптимальной цены продукта для максимизации дохода. Ранее в Forecast вам приходилось готовить и импортировать новый входной файл для каждого сценария, который вы хотели протестировать. Если вы хотели протестировать три разные ценовые точки, вам сначала нужно было создать три новых входных файла, вручную преобразовав данные в автономном режиме, а затем импортировав каждый файл в прогноз по отдельности. По сути, вы выполняли один и тот же набор задач для каждого сценария. Кроме того, чтобы сравнить сценарии, вам нужно было загрузить прогноз из каждого сценария по отдельности, а затем объединить их в автономном режиме.
С сегодняшним запуском вы можете легко проводить анализ «что, если» до 80% быстрее. Мы упростили создание новых сценариев, устранив необходимость автономной обработки данных и импорта для каждого сценария. Теперь вы можете определить сценарий, преобразовав исходный набор данных с помощью простых операций, таких как умножение цены на продукт A на 90 % или уменьшение цены на продукт B на 10 долларов. Эти преобразования также можно комбинировать с условиями для управления параметрами, к которым применяется сценарий (например, снижение цены на продукт А только в одном местоположении). Благодаря этому запуску вы можете определить и запустить несколько сценариев анализа одного и того же типа (например, анализа продвижения) или разных типов анализа (например, анализа продвижения в географическом регионе 1 и планирования запасов в географическом регионе 2) одновременно. Наконец, вам больше не нужно объединять и сравнивать результаты сценариев в автономном режиме. Теперь вы можете просматривать прогнозные прогнозы по всем сценариям на одном графике или выполнять массовый экспорт данных для просмотра в автономном режиме.
Обзор решения
Шаги в этом посте демонстрируют, как использовать анализ «что, если» на Консоль управления AWS. Чтобы напрямую использовать API-интерфейсы прогнозов для анализа «что, если», следуйте записной книжке в нашем Репо GitHub что обеспечивает аналогичную демонстрацию.
Импорт данных о тренировках
Чтобы провести анализ «что, если», необходимо импортировать два файла CSV, представляющие данные целевого временного ряда (показывающие цель прогнозирования) и связанные данные временного ряда (показывающие атрибуты, влияющие на цель). Наш пример целевого файла временных рядов содержит идентификатор товара, отметку времени, спрос, идентификатор магазина, город и регион, а наш связанный файл временных рядов содержит идентификатор товара, идентификатор магазина, отметку времени, город, регион и цену.
Чтобы импортировать данные, выполните следующие действия:
- На консоли прогноза выберите Просмотр групп наборов данных.
- Выберите Создать группу данных.
- Что касается Имя группы данных, введите имя набора данных (для этого поста
my_company_consumer_sales_history
). - Что касается Домен прогнозирования, выберите домен прогнозирования (для этого поста
Retail
). - Выберите Следующая.
- На Создать целевой набор данных временных рядов страницу, укажите имя набора данных, частоту ваших данных и схему данных.
- Предоставьте сведения об импорте набора данных.
- Выберите Start.
На следующем снимке экрана показана информация для целевой страницы временных рядов, заполненная для нашего примера.
Вы попадете на панель инструментов, которую сможете использовать для отслеживания прогресса.
- Чтобы импортировать связанный файл временных рядов, на информационной панели выберите Импортировать.
- На Создать связанный набор данных временных рядов на странице укажите имя набора данных и схему данных.
- Предоставьте сведения об импорте набора данных.
- Выберите Start.
На следующем снимке экрана показана информация, заполненная для нашего примера.
Обучать предсказателя
Далее мы обучаем предиктор.
- На панели инструментов выберите Предиктор поездов.
- На Предиктор поездов на странице введите имя предиктора, как долго в будущем вы хотите прогнозировать и с какой частотой, а также количество квантилей, для которых вы хотите прогнозировать.
- Включить AutoPredictor — это необходимо для использования анализа «что, если».
- Выберите Создавай.
На следующем снимке экрана показана информация, заполненная для нашего примера.
Создать прогноз
После обучения нашего предиктора (это может занять примерно 2.5 часа) мы создаем прогноз. Вы поймете, что ваш предсказатель обучен, когда увидите Просмотр предикторов кнопку на панели управления.
- Выберите Создать прогноз на приборной панели
- На Создать прогноз на странице введите имя прогноза, выберите созданный предиктор и укажите квантили прогноза (необязательно) и элементы, для которых необходимо создать прогноз.
- Выберите Start.
После выполнения этих шагов вы успешно создали прогноз. Это представляет ваш базовый сценарий прогноза, который вы используете для анализа возможных вариантов.
Если вам нужна дополнительная помощь в создании базовых прогнозов, см. Начало работы (Консоль). Теперь мы переходим к следующим шагам проведения анализа «что, если».
Создайте анализ «что, если»
На этом этапе мы создали наш базовый прогноз и начнем пошаговое руководство по проведению анализа «что, если». Существует три этапа проведения анализа «что, если»: настройка анализа, создание прогноза «что, если» путем определения того, что изменилось в сценарии, и сравнение результатов.
- Чтобы настроить анализ, выберите Изучите анализ «что, если» на приборной панели.
- Выберите Создавай.
- Введите уникальное имя и выберите базовый прогноз в раскрывающемся меню.
- Выберите элементы в наборе данных, для которых вы хотите провести анализ «что, если». У вас есть два варианта:
- Выбрать все элементы это значение по умолчанию, которое мы выбираем в этом посте.
- Если вы хотите выбрать определенные элементы, выберите Выбрать элементы с файлом и импортируйте файл CSV, содержащий уникальный идентификатор соответствующего элемента и любой связанный параметр (например, регион).
- Выберите Создайте анализ «что, если».
Создайте прогноз «что, если»
Затем мы создаем прогноз «что, если», чтобы определить сценарий, который мы хотим проанализировать.
- Выберите Создавай.
- Введите имя вашего сценария.
Вы можете определить свой сценарий с помощью двух опций:
- Используйте функции преобразования – Используйте построитель преобразования, чтобы преобразовать связанные данные временных рядов, которые вы импортировали. В этом пошаговом руководстве мы оцениваем, как меняется спрос на элемент в нашем наборе данных, когда цена снижается на 10 %, а затем на 30 % по сравнению с ценой в базовом прогнозе.
- Определите прогноз «что, если» с замещающим набором данных – Замените связанный набор данных временных рядов, который вы импортировали.
Построитель функций преобразования позволяет преобразовывать связанные данные временных рядов, которые вы импортировали ранее, с помощью простых операций добавления, вычитания, деления и умножения признаков в ваших данных (например, цены) на указанное вами значение. В нашем примере мы создаем сценарий, в котором мы снижаем цену на 10%, а цена является функцией в наборе данных.
- Что касается Метод определения прогноза «что, если», наведите на Используйте функции преобразования.
- Выберите Размножаться как наш оператор, цена в качестве нашего временного ряда и введите 0.9.
Вы также можете добавить условия для дальнейшего уточнения сценария. Например, если ваш набор данных содержит информацию о магазине, упорядоченную по регионам, вы можете ограничить сценарий снижения цен по регионам. Вы можете определить сценарий снижения цен на 10 % для магазинов, не входящих в регион_1.
- Выберите Добавить условие.
- Выберите Не равно в качестве операции и введите Region_1.
Другой вариант изменения связанных временных рядов — импорт нового набора данных, который уже содержит данные, определяющие сценарий. Например, чтобы определить сценарий со снижением цены на 10%, мы можем загрузить новый набор данных, указав уникальный идентификатор для изменяемых товаров и изменение цены на 10% ниже. Для этого выберите Определите прогноз «что, если» с замещающим набором данных и импортируйте CSV-файл, содержащий изменение цены.
- Чтобы завершить определение прогноза «что, если», выберите Создавай.
Повторите процесс, чтобы создать еще один прогноз «что, если» со снижением цены на 30 %.
После выполнения анализа «что, если» для каждого прогноза «что, если» статус изменится на «Активный». На этом второй этап завершается, и можно переходить к сравнению прогнозов «что, если».
Сравните прогнозы
Теперь мы можем сравнить прогнозы «что, если» для обоих наших сценариев, сравнивая 10-процентное снижение цены с 30-процентным снижением цены.
- На странице результатов анализа перейдите к Сравните прогнозы «что, если» .
- Что касается item_id, введите элемент для анализа.
- Что касается Прогнозы «что, если», выберите сценарии для сравнения (для этого поста
Scenario_1
иScenario_2
). - Выберите Сравните что-если.
На следующем графике показан результирующий спрос в обоих наших сценариях.
По умолчанию он демонстрирует P50 и базовый сценарий. Вы можете просмотреть все сгенерированные квантили, выбрав предпочитаемые квантили на Выбрать прогнозы выпадающее меню.
Экспорт ваших данных
Чтобы экспортировать данные в CSV, выполните следующие действия:
- Выберите Создать экспорт.
- Введите имя для файла экспорта (для этого поста
my_scenario_export
) - Укажите сценарии для экспорта, выбрав сценарии на Прогноз «что, если» выпадающее меню. Вы можете экспортировать сразу несколько сценариев в комбинированный файл.
- Что касается Местоположение экспортаукажите Простой сервис хранения Amazon (Amazon S3) местоположение.
- Чтобы начать экспорт, выберите Создать экспорт.
- Чтобы загрузить экспорт, сначала перейдите к пути к файлу S3 в Консоли управления AWS, выберите файл и нажмите кнопку загрузки. Файл экспорта будет содержать метку времени, идентификатор элемента, измерения и прогнозы для каждого квантиля для всех выбранных сценариев (включая базовый сценарий).
Заключение
Сценарный анализ является важным инструментом, помогающим ориентироваться в неопределенностях бизнеса. Он обеспечивает предвидение и механизм стресс-тестирования идей, делая предприятия более устойчивыми, лучше подготовленными и контролирующими свое будущее. Прогноз теперь поддерживает анализ сценариев прогнозирования «что, если». Чтобы провести анализ сценария, откройте консоль прогнозов и выполните шаги, описанные в этом посте, или обратитесь к нашим Блокнот GitHub о том, как получить доступ к функциональности через API.
Чтобы узнать больше, обратитесь к СоздатьЧтоЕслиАнализ страницу в руководстве разработчика.
Об авторах
Брэндон Наир является старшим менеджером по продуктам Amazon Forecast. Его профессиональный интерес заключается в создании масштабируемых сервисов и приложений машинного обучения. Вне работы его можно найти исследующим национальные парки, совершенствующим свои навыки игры в гольф или планирующим поездку с приключениями.
Ахил Радж Ажикодан — инженер-разработчик программного обеспечения, работающий над Amazon Forecast. Его интересы заключаются в разработке и создании надежных систем, решающих сложные проблемы клиентов. Вне работы он любит изучать историю, ходить в походы и играть в видеоигры.
Коннер Смит — инженер-разработчик программного обеспечения, работающий над Amazon Forecast. Он фокусируется на создании безопасных, масштабируемых распределенных систем, которые приносят пользу клиентам. Помимо работы он проводит время за чтением художественной литературы, игрой на гитаре и просмотром случайных видео на YouTube.
Шеннон Киллингсворт — UX-дизайнер Amazon Forecast. В течение двух лет он улучшал пользовательский опыт в Forecast, упрощая процессы, а также добавляя новые функции таким образом, чтобы они были понятны нашим пользователям. Вне работы он любит бегать, рисовать и читать.
- AI
- ай искусство
- генератор искусств ай
- искусственный интеллект
- Прогноз Амазонки
- Амазонское машинное обучение
- Объявления
- искусственный интеллект
- сертификация искусственного интеллекта
- искусственный интеллект в банковском деле
- робот с искусственным интеллектом
- роботы с искусственным интеллектом
- программное обеспечение искусственного интеллекта
- Машинное обучение AWS
- блокчейн
- конференция по блокчейну
- Coingenius
- разговорный искусственный интеллект
- криптоконференция ИИ
- дал-и
- глубокое обучение
- google ai
- обучение с помощью машины
- Платон
- Платон Ай
- Платон Интеллектуальные данные
- Платон игра
- ПлатонДанные
- платогейминг
- масштаб ай
- синтаксис
- зефирнет