ทำให้การคาดการณ์อนุกรมเวลาของคุณใน Snowflake เป็นแบบอัตโนมัติโดยใช้ Amazon Forecast

โพสต์นี้เป็นความร่วมมือร่วมกับ Andries Engelbrecht และ James Sun จาก Snowflake, Inc.

การปฏิวัติคลาวด์คอมพิวติ้งช่วยให้ธุรกิจต่างๆ สามารถบันทึกและเก็บรักษาข้อมูลบริษัทและข้อมูลองค์กรโดยไม่มีการวางแผนความจุหรือข้อจำกัดในการเก็บรักษาข้อมูล ขณะนี้ ด้วยข้อมูลระยะยาวที่หลากหลายและสำรองไว้มากมาย บริษัทต่างๆ จึงสามารถค้นหาวิธีการใหม่ๆ และสร้างผลกระทบได้มากขึ้นในการใช้สินทรัพย์ดิจิทัลของตนเพื่อทำการตัดสินใจที่ดีขึ้นและมีข้อมูลเพียงพอเมื่อทำการตัดสินใจในการวางแผนระยะสั้นและระยะยาว การคาดการณ์อนุกรมเวลาเป็นศาสตร์ที่ไม่เหมือนใครและมีความสำคัญ ซึ่งช่วยให้บริษัทต่างๆ สามารถตัดสินใจวางแผนการผ่าตัดได้ เพื่อช่วยให้ระดับการบริการลูกค้าสมดุลกับเป้าหมายที่มักแข่งขันกันในด้านความสามารถในการทำกำไรสูงสุด

ที่ AWS บางครั้งเราทำงานร่วมกับลูกค้าที่เลือกคู่ค้าด้านเทคโนโลยีของเรา เกล็ดหิมะ เพื่อมอบประสบการณ์แพลตฟอร์มข้อมูลบนคลาวด์ การมีแพลตฟอร์มที่สามารถเรียกคืนข้อมูลย้อนหลังปีแล้วปีเล่านั้นมีประสิทธิภาพ แต่คุณจะใช้ข้อมูลนี้เพื่อมองไปข้างหน้าและใช้หลักฐานของเมื่อวานเพื่อวางแผนสำหรับวันพรุ่งนี้ได้อย่างไร ลองนึกภาพว่าไม่เพียงแต่จะมีสิ่งที่เกิดขึ้นใน Snowflake ซึ่งเป็นความจริงเวอร์ชันเดียวของคุณเท่านั้น แต่ยังมีชุดข้อมูลที่ไม่แยกจากกันซึ่งอยู่ติดกันซึ่งมีการคาดการณ์ความน่าจะเป็นสำหรับวัน สัปดาห์ หรือเดือนในอนาคต

ในห่วงโซ่อุปทานที่ทำงานร่วมกัน การแบ่งปันข้อมูลระหว่างคู่ค้าสามารถปรับปรุงประสิทธิภาพ เพิ่มขีดความสามารถในการแข่งขัน และลดทรัพยากรที่สูญเปล่า การแบ่งปันการคาดการณ์ในอนาคตของคุณสามารถทำได้ด้วย การแบ่งปันข้อมูลเกล็ดหิมะซึ่งทำให้คุณสามารถทำงานร่วมกับพันธมิตรทางธุรกิจของคุณได้อย่างราบรื่นอย่างปลอดภัยและระบุข้อมูลเชิงลึกทางธุรกิจได้ หากคู่ค้าหลายรายแชร์การคาดการณ์ของตน ก็จะสามารถช่วยควบคุมผลกระทบที่เกิดขึ้นในห่วงโซ่อุปทานที่เชื่อมต่อได้ คุณสามารถใช้ได้อย่างมีประสิทธิภาพ ตลาดเกล็ดหิมะ เพื่อสร้างรายได้จากการวิเคราะห์เชิงคาดการณ์ของคุณจากชุดข้อมูลที่ผลิตใน พยากรณ์อเมซอน.

ในโพสต์นี้ เราจะพูดถึงวิธีการใช้โซลูชันการคาดการณ์อนุกรมเวลาอัตโนมัติโดยใช้ Snowflake และ Forecast

บริการ AWS ที่จำเป็นซึ่งเปิดใช้งานโซลูชันนี้

Forecast มีอัลกอริทึมอนุกรมเวลาที่ทันสมัยหลายชุด และจัดการการจัดสรรความสามารถในการประมวลผลแบบกระจายที่เพียงพอเพื่อตอบสนองความต้องการของปริมาณงานเกือบทุกชนิด ด้วย Forecast คุณจะไม่ได้รับโมเดลเดียว คุณจะได้รับความแข็งแกร่งของรุ่นต่างๆ ที่ได้รับการปรับแต่งเพิ่มเติมให้เป็นรุ่นถ่วงน้ำหนักที่ไม่ซ้ำกันสำหรับแต่ละอนุกรมเวลาในชุด กล่าวโดยย่อ บริการนี้มอบวิทยาการ การจัดการข้อมูล และการจัดการทรัพยากรทั้งหมดในการเรียก API อย่างง่าย

ฟังก์ชันขั้นตอนของ AWS ให้กลไกการประสานกระบวนการที่จัดการเวิร์กโฟลว์โดยรวม บริการสรุปการเรียก API ด้วย อเมซอน อาเธน่า, AWS แลมบ์ดาและ Forecast เพื่อสร้างโซลูชันอัตโนมัติที่รวบรวมข้อมูลจาก Snowflake ใช้ Forecast เพื่อแปลงข้อมูลในอดีตเป็นการคาดการณ์ในอนาคต จากนั้นจึงสร้างข้อมูลภายใน Snowflake

Athena federated query สามารถเชื่อมต่อกับแหล่งข้อมูลขององค์กรหลายแห่ง รวมถึง อเมซอน ไดนาโมดีบี, อเมซอน Redshift, บริการ Amazon OpenSearch, MySQL, PostgreSQL, Redis และที่เก็บข้อมูลบุคคลที่สามยอดนิยมอื่นๆ เช่น Snowflake ตัวเชื่อมต่อข้อมูลทำงานเป็นฟังก์ชัน Lambda คุณสามารถใช้ซอร์สโค้ดนี้เพื่อช่วยเปิดใช้ ตัวเชื่อมต่อเกล็ดหิมะ Amazon Athena Lambda และเชื่อมต่อกับ AWS PrivateLink หรือผ่าน NAT Gateway

ภาพรวมโซลูชัน

สิ่งหนึ่งที่เรามักทำที่ AWS คือการทำงานเพื่อช่วยให้ลูกค้าบรรลุเป้าหมายของตนในขณะเดียวกันก็ขจัดภาระของการยกของหนักที่ไม่แตกต่างกัน โดยคำนึงถึงสิ่งนี้เราจึงเสนอสิ่งต่อไปนี้ ทางออก เพื่อช่วยลูกค้า AWS และ Snowflake ทำตามขั้นตอนต่อไปนี้:

1. ส่งออกข้อมูลจาก Snowflake คุณสามารถใช้ข้อมูลเมตาที่ยืดหยุ่นเพื่อยกเลิกการโหลดข้อมูลประวัติที่จำเป็นซึ่งขับเคลื่อนโดยเวิร์กโฟลว์ที่พร้อมใช้งาน
2. นำเข้าข้อมูลในการคาดการณ์ ไม่ว่ากรณีการใช้งาน อุตสาหกรรม หรือขนาดใด การนำเข้าข้อมูลอินพุตที่เตรียมไว้นั้นง่ายและเป็นไปโดยอัตโนมัติ
3. ฝึกฝนแบบจำลองอนุกรมเวลาอันล้ำสมัย คุณสามารถทำให้การคาดการณ์อนุกรมเวลาเป็นแบบอัตโนมัติโดยไม่ต้องจัดการวิทยาศาสตร์ข้อมูลพื้นฐานหรือการเตรียมใช้งานฮาร์ดแวร์
4. สร้างการอนุมานกับโมเดลที่ผ่านการฝึกอบรม ผลลัพธ์ที่คาดการณ์ออกมานั้นง่ายต่อการใช้งานสำหรับทุกวัตถุประสงค์ มีให้ใช้งานในรูปแบบไฟล์ CSV หรือ Parquet อย่างง่าย บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
5. ใช้ประวัติศาสตร์และการทำนายอนาคตเคียงข้างกันโดยตรงใน Snowflake

แผนภาพต่อไปนี้แสดงวิธีใช้เวิร์กโฟลว์อัตโนมัติที่ช่วยให้ลูกค้า Snowflake ได้รับประโยชน์จากการคาดการณ์อนุกรมเวลาที่แม่นยำสูงซึ่งสนับสนุนโดย Forecast ซึ่งเป็นบริการที่มีการจัดการของ AWS เหนือชั้นกรณีการใช้งานและอุตสาหกรรม การออกแบบที่นำเสนอในที่นี้จะดึงข้อมูลประวัติจาก Snowflake ก่อน จากนั้น เวิร์กโฟลว์จะส่งข้อมูลที่เตรียมไว้สำหรับการคำนวณอนุกรมเวลา ประการสุดท้าย การคาดการณ์ระยะเวลาในอนาคตมีให้ใช้งานใน Snowflake ซึ่งสร้างประสบการณ์ผู้ใช้ที่ราบรื่นสำหรับลูกค้า AWS และ Snowflake ร่วมกัน

แม้ว่าสถาปัตยกรรมนี้จะเน้นเฉพาะรายละเอียดทางเทคนิคที่สำคัญ แต่การแก้ปัญหานั้นง่ายต่อการรวบรวม บางครั้งภายใน 1-2 วันทำการ เราให้โค้ดตัวอย่างการทำงานแก่คุณเพื่อช่วยขจัดความยุ่งยากที่ไม่สร้างความแตกต่างของการสร้างโซลูชันโดยลำพังและไม่ต้องเริ่มก่อนล่วงหน้า หลังจากที่คุณค้นพบวิธีนำรูปแบบนี้ไปใช้กับภาระงานหนึ่งๆ แล้ว คุณสามารถทำกระบวนการคาดการณ์ซ้ำสำหรับข้อมูลใดๆ ที่เก็บไว้ใน Snowflake ในส่วนต่อไปนี้ เราได้ร่างขั้นตอนสำคัญที่ทำให้คุณสามารถสร้างไปป์ไลน์อัตโนมัติได้

ดึงข้อมูลประวัติจาก Snowflake

ในขั้นตอนแรกนี้ คุณจะใช้ SQL เพื่อกำหนดข้อมูลที่คุณต้องการคาดการณ์ และปล่อยให้ Athena Federated Query เชื่อมต่อกับ Snowflake เรียกใช้ SQL แบบกำหนดเองของคุณ และคงชุดบันทึกผลลัพธ์ไว้ใน Amazon S3 การคาดการณ์จำเป็นต้องมีข้อมูลการฝึกอบรมที่ผ่านมาใน Amazon S3 ก่อนการส่งผ่านข้อมูล ดังนั้น Amazon S3 จึงทำหน้าที่เป็นบัฟเฟอร์พื้นที่เก็บข้อมูลระดับกลางระหว่าง Snowflake และ Forecast เรานำเสนอ Athena ในการออกแบบนี้เพื่อเปิดใช้งาน Snowflake และแหล่งข้อมูลที่แตกต่างกันอื่นๆ หากต้องการ อีกวิธีหนึ่งคือการใช้คำสั่ง Snowflake COPY และการผสานรวมพื้นที่จัดเก็บเพื่อเขียนผลลัพธ์การสืบค้นไปยัง Amazon S3

ไม่ว่าจะใช้กลไกการขนส่งแบบใด ตอนนี้เราได้สรุปประเภทของข้อมูลความต้องการในการพยากรณ์และวิธีการกำหนด จัดเตรียม และแยกข้อมูล ในส่วนต่อไปนี้ เราจะอธิบายวิธีการนำเข้าข้อมูลไปยังการคาดการณ์

ภาพหน้าจอต่อไปนี้แสดงให้เห็นว่าชุดข้อมูลอาจมีลักษณะอย่างไรใน Snowflake schema ดั้งเดิม

แม้ว่าภาพหน้าจอนี้แสดงให้เห็นว่าข้อมูลมีลักษณะอย่างไรในสภาพธรรมชาติ แต่ Forecast ต้องการข้อมูลที่จะจัดรูปแบบเป็นชุดข้อมูลที่แตกต่างกันสามชุด:

• อนุกรมเวลาเป้าหมาย – นี่คือชุดข้อมูลที่จำเป็นซึ่งมีตัวแปรเป้าหมายและใช้เพื่อฝึกฝนและทำนายมูลค่าในอนาคต เพียงอย่างเดียว ชุดข้อมูลนี้ทำหน้าที่เป็นแบบจำลองอนุกรมเวลาที่ไม่แปรผัน
• อนุกรมเวลาที่เกี่ยวข้อง – นี่คือชุดข้อมูลทางเลือกที่มีตัวแปรชั่วคราวที่ควรมีความสัมพันธ์กับตัวแปรเป้าหมาย ตัวอย่าง ได้แก่ การกำหนดราคาแบบผันแปร การส่งเสริมการขาย การเข้าชมเหตุการณ์แบบไฮเปอร์โลคัล ข้อมูลแนวโน้มเศรษฐกิจ สิ่งที่คุณรู้สึกว่าอาจช่วยอธิบายความแปรปรวนในอนุกรมเวลาเป้าหมายและสร้างการคาดการณ์ที่ดีขึ้นได้ ชุดข้อมูลอนุกรมเวลาที่เกี่ยวข้องจะเปลี่ยนโมเดลตัวแปรเดียวของคุณให้เป็นหลายตัวแปรเพื่อช่วยปรับปรุงความแม่นยำ
• ข้อมูลเมตาของรายการ – นี่คือชุดข้อมูลทางเลือกที่มีข้อมูลที่จัดหมวดหมู่เกี่ยวกับรายการที่คาดการณ์ ข้อมูลเมตาของสินค้ามักจะช่วยเพิ่มประสิทธิภาพสำหรับผลิตภัณฑ์ที่เพิ่งเปิดตัว ซึ่งเราเรียกว่า ก เริ่มเย็น.

เมื่อกำหนดขอบเขตของชุดข้อมูลการคาดการณ์แต่ละชุดแล้ว คุณสามารถเขียนคิวรีใน Snowflake ซึ่งจัดหาฟิลด์ข้อมูลที่ถูกต้องจากตารางแหล่งข้อมูลที่จำเป็นพร้อมตัวกรองที่เหมาะสมเพื่อรับข้อมูลชุดย่อยที่ต้องการ ต่อไปนี้เป็นตัวอย่างการสืบค้น SQL สามตัวอย่างที่ใช้สร้างชุดข้อมูลแต่ละชุดที่ Forecast ต้องการสำหรับสถานการณ์การวางแผนความต้องการอาหารเฉพาะ

เราเริ่มต้นด้วยแบบสอบถามอนุกรมเวลาเป้าหมาย:

select LOCATION_ID, ITEM_ID, 
DATE_DEMAND as TIMESTAMP, QTY_DEMAND as TARGET_VALUE 
from DEMO.FOOD_DEMAND

ข้อความค้นหาอนุกรมเวลาที่เกี่ยวข้องซึ่งเป็นทางเลือกจะดึงตัวแปรร่วม เช่น ราคาและโปรโมชัน:

select LOCATION_ID,ITEM_ID, DATE_DEMAND as TIMESTAMP,
CHECKOUT_PRICE, BASE_PRICE,
EMAILER_FOR_PROMOTION, HOMEPAGE_FEATURED
from DEMO.FOOD_DEMAND

การสืบค้นข้อมูลเมตาของรายการดึงค่าหมวดหมู่ที่แตกต่างกันซึ่งช่วยให้มิติข้อมูลและกำหนดรายการที่คาดการณ์เพิ่มเติม:

select DISTINCT ITEM_ID, FOOD_CATEGORY, FOOD_CUISINE
from DEMO.FOOD_DEMAND

เมื่อกำหนดเคียวรีต้นทางแล้ว เราสามารถเชื่อมต่อกับ Snowflake ผ่าน Athena Federated Query เพื่อส่งเคียวรีและคงชุดข้อมูลที่เป็นผลลัพธ์สำหรับการพยากรณ์ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ค้นหา Snowflake โดยใช้ Athena Federated Query และเข้าร่วมกับข้อมูลใน Data Lake ของ Amazon S3.

พื้นที่ repo ตัวเชื่อมต่อ Athena Snowflake GitHub ช่วยติดตั้งตัวเชื่อมต่อ Snowflake เดอะ คาดการณ์ MLOps GitHub repo ช่วยประสานขั้นตอนมาโครทั้งหมดที่กำหนดไว้ในโพสต์นี้ และทำให้ทำซ้ำได้โดยไม่ต้องเขียนโค้ด

นำเข้าข้อมูลในการคาดการณ์

หลังจากที่เราดำเนินการขั้นตอนก่อนหน้านี้เสร็จสิ้น ชุดข้อมูลอนุกรมเวลาเป้าหมายจะอยู่ใน Amazon S3 และพร้อมนำเข้าไปยังการคาดการณ์ นอกจากนี้ ชุดข้อมูลเมตาดาต้าของรายการและอนุกรมเวลาที่เกี่ยวข้องซึ่งเป็นทางเลือกอาจถูกจัดเตรียมและพร้อมสำหรับการส่งผ่านข้อมูล พร้อมของแถม โซลูชันการคาดการณ์ MLOpsสิ่งที่คุณต้องทำที่นี่คือเริ่มต้นเครื่องสถานะ Step Functions ที่รับผิดชอบในการนำเข้าข้อมูล—ไม่จำเป็นต้องใช้รหัสใดๆ การคาดการณ์เปิดตัวคลัสเตอร์สำหรับชุดข้อมูลแต่ละชุดที่คุณระบุ และทำให้ข้อมูลพร้อมสำหรับบริการที่จะใช้สำหรับการสร้างแบบจำลอง ML และการอนุมานแบบจำลอง

สร้างโมเดล ML อนุกรมเวลาพร้อมสถิติความแม่นยำ

หลังจากนำเข้าข้อมูลแล้ว โมเดลอนุกรมเวลาที่แม่นยำสูงจะถูกสร้างขึ้นง่ายๆ โดยการเรียก API ขั้นตอนนี้รวมอยู่ในเครื่องสถานะ Step Functions ที่เริ่มต้น Forecast API เพื่อเริ่มการฝึกโมเดล หลังจากฝึกโมเดลตัวทำนายแล้ว เครื่องสถานะจะส่งออกสถิติโมเดลและการคาดคะเนระหว่างหน้าต่างทดสอบย้อนหลังไปยัง Amazon S3 การส่งออก Backtest สามารถสืบค้นได้โดย Snowflake เป็นขั้นตอนภายนอก ดังที่แสดงในภาพหน้าจอต่อไปนี้ หากต้องการ คุณสามารถจัดเก็บข้อมูลในระยะภายในได้ ประเด็นคือการใช้ตัวชี้วัด backtest เพื่อประเมินประสิทธิภาพการแพร่กระจายของอนุกรมเวลาในชุดข้อมูลของคุณที่มีให้

สร้างการคาดการณ์ในอนาคต

ด้วยโมเดลที่ได้รับการฝึกฝนจากขั้นตอนก่อนหน้า เครื่องสถานะ Step Functions ที่สร้างขึ้นตามวัตถุประสงค์จะเรียก Forecast API เพื่อสร้างการคาดการณ์ในอนาคต การคาดการณ์จัดเตรียมคลัสเตอร์เพื่อทำการอนุมานและดึงอนุกรมเวลาเป้าหมายที่นำเข้า อนุกรมเวลาที่เกี่ยวข้อง และชุดข้อมูลเมทาดาทาของรายการผ่านโมเดลตัวทำนายที่มีชื่อซึ่งสร้างในขั้นตอนก่อนหน้า หลังจากสร้างการคาดคะเนแล้ว เครื่องสถานะจะเขียนการคาดการณ์ไปยัง Amazon S3 ซึ่งอีกครั้งสามารถสอบถามเป็นสเตจภายนอกของ Snowflake หรือย้ายไปยัง Snowflake เป็นสเตจภายในได้

ใช้ข้อมูลการคาดการณ์ในอนาคตโดยตรงใน Snowflake

AWS ไม่ได้สร้างโซลูชันอัตโนมัติทั้งหมดสำหรับขั้นตอนนี้ อย่างไรก็ตาม ด้วยวิธีแก้ปัญหาในโพสต์นี้ Forecast ได้สร้างข้อมูลไว้แล้วในสองขั้นตอนก่อนหน้านี้ คุณอาจถือว่าผลลัพธ์เป็นเหตุการณ์ที่ดำเนินการได้หรือสร้างแดชบอร์ดข่าวกรองธุรกิจบนข้อมูล คุณยังสามารถใช้ข้อมูลเพื่อสร้างแผนการผลิตในอนาคตและใบสั่งซื้อ ประเมินรายได้ในอนาคต สร้างแผนทรัพยากรพนักงาน และอื่นๆ ทุกกรณีการใช้งานแตกต่างกัน แต่จุดประสงค์ของขั้นตอนนี้คือการส่งมอบการคาดคะเนไปยังระบบการบริโภคที่ถูกต้องในองค์กรของคุณหรือที่อื่น ๆ

ข้อมูลโค้ดต่อไปนี้แสดงวิธีการสืบค้นข้อมูล Amazon S3 โดยตรงจากภายใน Snowflake:

CREATE or REPLACE FILE FORMAT mycsvformat
type = 'CSV'
field_delimiter = ','
empty_field_as_null = TRUE
ESCAPE_UNENCLOSED_FIELD = None
skip_header = 1;

CREATE or REPLACE STORAGE INTEGRATION amazon_forecast_integration
TYPE = EXTERNAL_STAGE
STORAGE_PROVIDER = S3
STORAGE_AWS_ROLE_ARN = 'arn:aws:iam::nnnnnnnnnn:role/snowflake-forecast-poc-role'
ENABLED = true
STORAGE_ALLOWED_LOCATIONS = (
's3://bucket/folder/forecast',
's3://bucket/folder/backtest-export/accuracy-metrics-values',
's3://bucket/folder/backtest-export/forecasted-values';

CREATE or REPLACE STAGE backtest_accuracy_metrics
storage_integration = amazon_forecast_integration
url = 's3://bucket/folder/backtest-export/accuracy-metrics-values'
file_format = mycsvformat;

CREATE or REPLACE EXTERNAL TABLE FOOD_DEMAND_BACKTEST_ACCURACY_METRICS (
ITEM_ID varchar AS (value:c1::varchar),
LOCATION_ID varchar AS (value:c2::varchar),
backtest_window varchar AS (value:c3::varchar),
backtestwindow_start_time varchar AS (value:c4::varchar),
backtestwindow_end_time varchar AS (value:c5::varchar),
wQL_10 varchar AS (value:c6::varchar),
wQL_30 varchar AS (value:c7::varchar),
wQL_50 varchar AS (value:c8::varchar),
wQL_70 varchar AS (value:c9::varchar),
wQL_90 varchar AS (value:c10::varchar),
AVG_wQL varchar AS (value:c11::varchar),
RMSE varchar AS (value:c12::varchar),
WAPE varchar AS (value:c13::varchar),
MAPE varchar AS (value:c14::varchar),
MASE varchar AS (value:c15::varchar)
)
with location = @backtest_accuracy_metrics
FILE_FORMAT = (TYPE = CSV FIELD_DELIMITER = ',' SKIP_HEADER = 1);

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตั้งค่าการอนุญาต โปรดดูที่ ตัวเลือกที่ 1: การกำหนดค่าการผสานรวม Snowflake Storage เพื่อเข้าถึง Amazon S3. นอกจากนี้ คุณสามารถใช้ แคตตาล็อกบริการของ AWS เพื่อกำหนดค่าการรวมพื้นที่เก็บข้อมูล Amazon S3; ข้อมูลเพิ่มเติมสามารถดูได้ที่ repo GitHub.

เริ่มต้นเวิร์กโฟลว์ตามกำหนดการหรือตามเหตุการณ์

หลังจากที่คุณติดตั้งโซลูชันสำหรับปริมาณงานเฉพาะของคุณแล้ว ขั้นตอนสุดท้ายของคุณคือทำให้กระบวนการเป็นอัตโนมัติตามกำหนดเวลาที่เหมาะสมกับความต้องการเฉพาะของคุณ เช่น รายวันหรือรายสัปดาห์ สิ่งสำคัญคือการตัดสินใจว่าจะเริ่มกระบวนการอย่างไร วิธีหนึ่งคือการใช้ Snowflake เพื่อเรียกใช้เครื่องสถานะ Step Functions จากนั้นจัดการขั้นตอนตามลำดับ อีกวิธีหนึ่งคือการรวมเครื่องสถานะโซ่เข้าด้วยกันและเริ่มการทำงานโดยรวมผ่าน อเมซอน EventBridge กฎซึ่งคุณสามารถกำหนดค่าให้ทำงานจากเหตุการณ์หรืองานที่กำหนดเวลาไว้ได้ เช่น เวลา 9:00 น. GMT-8 ทุกคืนวันอาทิตย์

สรุป

ด้วยประสบการณ์ที่มากที่สุด ; คลาวด์ที่เชื่อถือได้ ปรับขนาดได้ และปลอดภัยที่สุด และชุดบริการและโซลูชันที่ครอบคลุมที่สุด AWS เป็นสถานที่ที่ดีที่สุดในการปลดล็อกคุณค่าจากข้อมูลของคุณและเปลี่ยนให้เป็นข้อมูลเชิงลึก ในโพสต์นี้ เราได้แสดงวิธีสร้างเวิร์กโฟลว์การคาดการณ์อนุกรมเวลาอัตโนมัติ การคาดการณ์ที่ดีขึ้นสามารถนำไปสู่ผลลัพธ์การบริการลูกค้าที่สูงขึ้น ของเสียน้อยลง สินค้าคงคลังที่ไม่ได้ใช้งานน้อยลง และเงินสดในงบดุลมากขึ้น

หากคุณพร้อมที่จะทำให้การคาดการณ์เป็นแบบอัตโนมัติและปรับปรุง เราพร้อมที่จะช่วยเหลือคุณในการเดินทางของคุณ ติดต่อทีมบัญชี AWS หรือ Snowflake ของคุณเพื่อเริ่มต้นวันนี้และขอเวิร์กช็อปการคาดการณ์เพื่อดูว่าคุณสามารถปลดล็อกคุณค่าประเภทใดจากข้อมูลของคุณได้

เกี่ยวกับผู้เขียน

บอสโก อัลบูเคอร์กี เป็น Sr. Partner Solutions Architect ที่ AWS และมีประสบการณ์มากกว่า 20 ปีในการทำงานกับฐานข้อมูลและผลิตภัณฑ์การวิเคราะห์จากผู้จำหน่ายฐานข้อมูลระดับองค์กรและผู้ให้บริการระบบคลาวด์ เขาช่วยบริษัทด้านเทคโนโลยีในการออกแบบและนำโซลูชันและผลิตภัณฑ์การวิเคราะห์ข้อมูลไปใช้

แฟรงก์ ดัลเลซ็อตต์ เป็น Sr. Solutions Architect ที่ AWS และมีความกระตือรือร้นในการทำงานร่วมกับผู้จำหน่ายซอฟต์แวร์อิสระเพื่อออกแบบและสร้างแอปพลิเคชันที่ปรับขนาดได้บน AWS เขามีประสบการณ์ในการสร้างซอฟต์แวร์ ดำเนินการสร้างไปป์ไลน์ และปรับใช้โซลูชันเหล่านี้ในระบบคลาวด์

อันดรีส เองเกลเบรชท์ เป็นสถาปนิก Principal Partner Solutions ที่ Snowflake และทำงานร่วมกับพันธมิตรเชิงกลยุทธ์ เขามีส่วนร่วมอย่างแข็งขันกับพันธมิตรเชิงกลยุทธ์เช่น AWS ที่สนับสนุนการผสานรวมผลิตภัณฑ์และบริการ ตลอดจนการพัฒนาโซลูชันร่วมกับพันธมิตร Andries มีประสบการณ์มากกว่า 20 ปีในด้านข้อมูลและการวิเคราะห์

ชาร์ลส์ ลาฟลิน เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน AI/ML หลักและทำงานในทีม Time Series ML ที่ AWS เขาช่วยกำหนดแผนงานบริการของ Amazon Forecast และทำงานร่วมกันทุกวันกับลูกค้า AWS ที่หลากหลายเพื่อช่วยเปลี่ยนโฉมธุรกิจของพวกเขาโดยใช้เทคโนโลยี AWS ที่ล้ำสมัยและความเป็นผู้นำทางความคิด Charles สำเร็จการศึกษาระดับปริญญาโทสาขาการจัดการซัพพลายเชน และทำงานในอุตสาหกรรมสินค้าบรรจุภัณฑ์เพื่อผู้บริโภคมาเป็นเวลากว่าทศวรรษ

เจมส์ ซัน เป็นหุ้นส่วนอาวุโส Solutions Architect ที่ Snowflake James มีประสบการณ์มากกว่า 20 ปีในด้านการจัดเก็บและการวิเคราะห์ข้อมูล ก่อนร่วมงานกับ Snowflake เขาเคยดำรงตำแหน่งทางเทคนิคอาวุโสหลายตำแหน่งที่ AWS และ MapR เจมส์สำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยสแตนฟอร์ด