Şimdi birlikte Amazon Tahmini, iş kaldıraçlarının talep tahminleriniz üzerindeki potansiyel etkisini analiz etmek ve ölçmek için olasılık analizlerini %80'e kadar daha hızlı bir şekilde sorunsuz bir şekilde gerçekleştirebilirsiniz. Tahmin, herhangi bir ML deneyimi gerektirmeden doğru talep tahminleri oluşturmak için makine öğrenimini (ML) kullanan bir hizmettir. Olasılık analizleri aracılığıyla senaryoları simüle etmek, varsayımsal senaryolardan olası sonuçları yakalayarak gelecekteki olayların belirsizliği arasında gezinmek için güçlü bir iş aracıdır. İş kararlarının gelir veya karlılık üzerindeki etkisini değerlendirmek, pazar eğilimleriyle ilişkili riski ölçmek, müşteri talebini karşılamak için lojistik ve işgücünün nasıl organize edileceğini değerlendirmek ve çok daha fazlası yaygın bir uygulamadır.
Talep tahmini için bir durum analizi yürütmek zor olabilir, çünkü önce talebi tahmin etmek için doğru modellere ve ardından bir dizi senaryoda tahmini yeniden oluşturmanın hızlı ve kolay bir yoluna ihtiyacınız vardır. Şimdiye kadar, Forecast doğru talep tahminleri sağlasa da, Forecast kullanarak what-if analizi yapmak zahmetli ve zaman alıcı olabilir. Örneğin, perakende promosyon planlaması, bir ürün için geliri en üst düzeye çıkarmak için en uygun fiyat noktasını belirlemek için durum analizinin yaygın bir uygulamasıdır. Önceden Tahmin'de, test etmek istediğiniz her senaryo için yeni bir girdi dosyası hazırlamanız ve içe aktarmanız gerekiyordu. Üç farklı fiyat noktasını test etmek istiyorsanız, önce verileri manuel olarak çevrimdışına dönüştürerek ve ardından her dosyayı ayrı ayrı Tahmin'e aktararak üç yeni girdi dosyası oluşturmanız gerekiyordu. Aslında, her senaryo için aynı görevleri yapıyordunuz. Ek olarak, senaryoları karşılaştırmak için her bir senaryodan tahmini ayrı ayrı indirmeniz ve ardından bunları çevrimdışı olarak birleştirmeniz gerekiyordu.
Bugünkü lansmanla, what-if analizini %80'e kadar daha hızlı kolayca gerçekleştirebilirsiniz. Her senaryo için çevrimdışı veri işleme ve içe aktarma ihtiyacını ortadan kaldırarak yeni senaryolar oluşturmayı kolaylaştırdık. Şimdi, A ürününün fiyatını %90 ile çarpmak veya B ürününün fiyatını 10$ düşürmek gibi basit işlemlerle ilk veri kümenizi dönüştürerek bir senaryo tanımlayabilirsiniz. Bu dönüşümler, senaryonun geçerli olduğu parametreleri kontrol etmek için koşullarla da birleştirilebilir (örneğin, yalnızca bir yerde A ürününün fiyatının düşürülmesi). Bu lansmanla, aynı türde analize (promosyon analizi gibi) veya farklı analiz türlerine (coğrafi bölge 1'de promosyon analizi ve coğrafi bölge 2'de envanter planlaması gibi) birden fazla senaryoyu aynı anda tanımlayabilir ve çalıştırabilirsiniz. Son olarak, artık çevrimdışı senaryoların sonuçlarını birleştirmenize ve karşılaştırmanıza gerek yok. Artık tüm senaryolardaki tahmin tahminlerini aynı grafikte görüntüleyebilir veya verileri çevrimdışı inceleme için toplu olarak dışa aktarabilirsiniz.
Çözüme genel bakış
Bu gönderideki adımlar, what-if analizinin nasıl kullanılacağını gösterir. AWS Yönetim Konsolu. Olasılık analizi için Tahmin API'lerini doğrudan kullanmak için, aşağıdaki not defterini takip edin: GitHub repo bu da benzer bir gösteri sağlar.
Egzersiz verilerinizi içe aktarın
Olasılık analizi yapmak için, hedef zaman serisi verilerini (tahmin hedefini gösteren) ve ilgili zaman serisi verilerini (hedefi etkileyen özellikleri gösteren) temsil eden iki CSV dosyasını içe aktarmanız gerekir. Örnek hedef zaman serisi dosyamız ürün öğesi kimliği, zaman damgası, talep, mağaza kimliği, şehir ve bölgeyi içerir ve ilgili zaman serisi dosyamız ürün öğesi kimliği, mağaza kimliği, zaman damgası, şehir, bölge ve fiyatı içerir.
Verilerinizi içe aktarmak için aşağıdaki adımları tamamlayın:
- Tahmin konsolunda, Veri kümesi gruplarını görüntüle.
- Klinik Veri kümesi grubu oluştur.
- İçin Veri kümesi grubu adı, bir veri kümesi adı girin (bu gönderi için,
my_company_consumer_sales_history
). - İçin Öngörme alanı, bir tahmin alanı seçin (bu gönderi için,
Retail
). - Klinik Sonraki.
- Üzerinde Hedef zaman serisi veri kümesi oluşturun sayfasında, veri kümesi adını, verilerinizin sıklığını ve veri şemasını sağlayın
- Veri kümesi içe aktarma ayrıntılarını sağlayın.
- Klinik Başlama.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan hedef zaman serisi sayfasının bilgilerini göstermektedir.
İlerlemeyi izlemek için kullanabileceğiniz kontrol paneline yönlendirileceksiniz.
- İlgili zaman serisi dosyasını içe aktarmak için gösterge tablosunda ithalat.
- Üzerinde İlgili zaman serisi veri kümesini oluşturun sayfasında, veri kümesi adını ve veri şemasını sağlayın.
- Veri kümesi içe aktarma ayrıntılarını sağlayın.
- Klinik Başlama.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan bilgileri göstermektedir.
Bir öngörücü eğitin
Ardından, bir tahminci yetiştiriyoruz.
- Kontrol panelinde, seçin Tren tahmincisi.
- Üzerinde Tren tahmincisi sayfasında, tahminciniz için bir ad, gelecekte ne kadar süreyle ve hangi sıklıkta tahmin yapmak istediğinizi ve tahmin etmek istediğiniz niceliklerin sayısını girin.
- AutoPredictor'ı Etkinleştir - durum analizini kullanmak için bu gereklidir.
- Klinik oluşturmak.
Aşağıdaki ekran görüntüsü, örneğimiz için doldurulan bilgileri göstermektedir.
Bir tahmin oluşturun
Tahmincimiz eğitildikten sonra (bu yaklaşık 2.5 saat sürebilir) bir tahmin oluşturuyoruz. Gördüğünüzde tahmincinizin eğitildiğini bileceksiniz. Tahminleri Görüntüle kontrol panelinizdeki düğmesine basın.
- Klinik Bir tahmin oluşturun Gösterge Tablosunda
- Üzerinde Bir tahmin oluşturun sayfasında bir tahmin adı girin, oluşturduğunuz tahminciyi seçin ve tahmin niceliklerini (isteğe bağlı) ve tahmin oluşturulacak öğeleri belirtin.
- Klinik Başlama.
Bu adımları tamamladıktan sonra başarıyla bir tahmin oluşturdunuz. Bu, üzerinde olasılık analizleri yapmak için kullandığınız temel tahmin senaryonuzu temsil eder.
Temel tahminlerinizi oluşturmak için daha fazla yardıma ihtiyacınız varsa, bkz. Başlarken (Konsol). Şimdi bir durum analizi yürütmenin sonraki adımlarına geçiyoruz.
Bir durum analizi oluşturun
Bu noktada, temel tahminimizi oluşturduk ve bir durum analizinin nasıl yürütüleceğinin gözden geçirilmesine başlayacağız. Bir durum analizi yürütmenin üç aşaması vardır: analizi kurmak, senaryoda nelerin değiştiğini tanımlayarak durum tahminini oluşturmak ve sonuçları karşılaştırmak.
- Analizinizi ayarlamak için Olasılık analizini keşfedin kontrol panelinde.
- Klinik oluşturmak.
- Benzersiz bir ad girin ve açılır menüden temel tahmini seçin.
- What-if analizi yapmak istediğiniz veri kümenizdeki öğeleri seçin. İki seçeneğiniz var:
- Tüm öğeleri seç bu gönderide seçtiğimiz varsayılan değerdir.
- Belirli öğeleri seçmek istiyorsanız, Dosya içeren öğeleri seçin ve ilgili öğe ve herhangi bir ilişkili boyut (bölge gibi) için benzersiz tanımlayıcıyı içeren bir CSV dosyasını içe aktarın.
- Klinik Durum analizi oluşturun.
Bir olasılık tahmini oluşturun
Ardından, analiz etmek istediğimiz senaryoyu tanımlamak için bir olasılık tahmini oluşturuyoruz.
- Klinik oluşturmak.
- Senaryonuzun adını girin.
Senaryonuzu iki seçenekle tanımlayabilirsiniz:
- Dönüştürme işlevlerini kullanın – İçe aktardığınız ilgili zaman serisi verilerini dönüştürmek için dönüşüm oluşturucuyu kullanın. Bu izlenecek yol için, temel tahmindeki fiyatla karşılaştırıldığında fiyat %10 ve ardından %30 düşürüldüğünde veri kümemizdeki bir öğenin talebinin nasıl değiştiğini değerlendiririz.
- Yedek veri kümesiyle durum tahminini tanımlayın – İçe aktardığınız ilgili zaman serisi veri kümesini değiştirin.
Dönüştürme işlevi oluşturucu, verilerinizdeki özellikleri (örneğin fiyat) belirttiğiniz bir değere göre eklemek, çıkarmak, bölmek ve çarpmak için basit işlemlerle daha önce içe aktardığınız ilgili zaman serisi verilerini dönüştürme yeteneği sağlar. Örneğimiz için, fiyatı %10 düşürdüğümüz bir senaryo oluşturuyoruz ve fiyatın veri setinde bir özellik olduğu.
- İçin What-if tahmin tanımlama yöntemiseçin Dönüştürme işlevlerini kullanın.
- Klinik Çarpmak operatörümüz olarak, fiyat bizim zaman serimiz olarak girin ve 0.9 girin.
Senaryonuzu daha da hassaslaştırmak için koşullar da ekleyebilirsiniz. Örneğin, veri kümeniz bölgeye göre düzenlenmiş mağaza bilgilerini içeriyorsa, fiyat indirimi senaryosunu bölgeye göre sınırlayabilirsiniz. Region_10'de olmayan mağazalar için geçerli olan %1'luk bir fiyat indirimi senaryosu tanımlayabilirsiniz.
- Klinik Koşul ekleyin.
- Klinik eşit değil işlem olarak ve Region_1 girin.
İlgili zaman serinizi değiştirmek için başka bir seçenek de, senaryoyu tanımlayan verileri zaten içeren yeni bir veri kümesini içe aktarmaktır. Örneğin, %10 fiyat indirimi olan bir senaryo tanımlamak için, değişen kalemler için benzersiz tanımlayıcıyı ve %10 daha düşük fiyat değişikliğini belirten yeni bir veri seti yükleyebiliriz. Bunu yapmak için Yedek veri kümesiyle durum tahminini tanımlayın ve fiyat değişikliğini içeren bir CSV'yi içe aktarın.
- Olasılık tahmini tanımını tamamlamak için oluşturmak.
%30 fiyat indirimiyle başka bir olasılık tahmini oluşturmak için işlemi tekrarlayın.
Her bir durum tahmini için durum analizi çalıştırıldıktan sonra durum etkin olarak değişecektir. Bu, ikinci aşamayı tamamlar ve durum tahminlerini karşılaştırmaya geçebilirsiniz.
Tahminleri karşılaştırın
Artık her iki senaryomuz için de durum tahminlerini, %10'luk bir fiyat indirimini %30'luk bir fiyat indirimiyle karşılaştırabiliriz.
- Analiz öngörüleri sayfasında şuraya gidin: Olasılık tahminlerini karşılaştırın Bölüm.
- İçin item_id, analiz edilecek öğeyi girin.
- İçin Ne olur tahminleri, karşılaştırılacak senaryoları seçin (bu gönderi için,
Scenario_1
veScenario_2
). - Klinik Ne-if'i karşılaştırın.
Aşağıdaki grafik, her iki senaryomuzda da ortaya çıkan talebi göstermektedir.
Varsayılan olarak, P50'yi ve temel durum senaryosunu gösterir. Üzerinde tercih ettiğiniz nicelikleri seçerek oluşturulan tüm nicelikleri görüntüleyebilirsiniz. Tahminleri seçin Aşağıya doğru açılan menü.
Verilerinizi dışa aktarın
Verilerinizi CSV'ye aktarmak için aşağıdaki adımları tamamlayın:
- Klinik Dışa aktarım oluştur.
- Dışa aktarma dosyanız için bir ad girin (bu gönderi için,
my_scenario_export
) - Ekranda senaryoları seçerek dışa aktarılacak senaryoları belirtin. Ne Olursa Tahmini Aşağıya doğru açılan menü. Birleştirilmiş bir dosyada birden fazla senaryoyu aynı anda dışa aktarabilirsiniz.
- İçin Konumu dışa aktar, belirtin Amazon Basit Depolama Hizmeti (Amazon S3) konumu.
- Dışa aktarmaya başlamak için Dışa Aktarma Oluştur.
- Dışa aktarmayı indirmek için önce AWS Management Console'dan S3 dosya yolu konumuna gidin ve dosyayı seçip indirme düğmesini seçin. Dışa aktarma dosyası, seçilen tüm senaryolar (temel senaryo dahil) için her bir nicelik için zaman damgasını, öğe kimliğini, boyutları ve tahminleri içerecektir.
Sonuç
Senaryo analizi, işin belirsizlikleri arasında gezinmeye yardımcı olan kritik bir araçtır. Öngörü ve fikirleri stres testi için bir mekanizma sağlayarak işletmeleri daha esnek, daha hazırlıklı ve geleceklerini kontrol altında tutar. Tahmin artık durum senaryosu analizlerinin tahmin edilmesini destekliyor. Senaryo analizinizi yapmak için Tahmin konsolunu açın ve bu gönderide özetlenen adımları izleyin veya GitHub not defteri API aracılığıyla işlevselliğe nasıl erişileceği hakkında.
Daha fazla bilgi edinmek için bkz. CreateWhatIfAnaliz geliştirici kılavuzundaki sayfa.
yazarlar hakkında
Brandon Nair Amazon Tahmini için Kıdemli Ürün Yöneticisidir. Profesyonel ilgisi, ölçeklenebilir makine öğrenimi hizmetleri ve uygulamaları oluşturmaktır. İş dışında, milli parkları keşfederken, golf vuruşunu mükemmelleştirirken veya bir macera gezisi planlarken bulunabilir.
Akhil Raj Azhikodan Amazon Tahmini üzerinde çalışan bir Yazılım Geliştirme Mühendisidir. İlgi alanları, karmaşık müşteri sorunlarını çözen güvenilir sistemler tasarlamak ve inşa etmektir. İş dışında tarih öğrenmekten, yürüyüş yapmaktan ve video oyunları oynamaktan hoşlanıyor.
Conner Smith Amazon Tahmini üzerinde çalışan bir Yazılım Geliştirme Mühendisidir. Müşterilere değer sağlayan güvenli, ölçeklenebilir dağıtılmış sistemler oluşturmaya odaklanıyor. İş dışında zamanını kurgu okuyarak, gitar çalarak ve rastgele YouTube videoları izleyerek geçiriyor.
Shannon Killingsworth Amazon Tahmini için UX Tasarımcısıdır. İki yıldır, süreçleri basitleştirerek ve kullanıcılarımıza anlamlı gelecek şekilde yeni özellikler ekleyerek Forecast'teki kullanıcı deneyimini iyileştiriyor. İş dışında koşmayı, çizim yapmayı ve okumayı sever.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- Amazon Tahmini
- Amazon Makine Öğrenimi
- Duyurular
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- dal-e
- derin öğrenme
- google ai
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet