Amazon Forecast کے ساتھ کیا ہو تو تجزیہ کریں، پہلے سے 80% تک تیز

اب کے ساتھ ایمیزون کی پیشن گوئی، آپ اپنی ڈیمانڈ کی پیشین گوئیوں پر کاروباری لیورز کے ممکنہ اثرات کا تجزیہ کرنے اور اس کی مقدار درست کرنے کے لیے بغیر کسی رکاوٹ کے کر سکتے ہیں۔ پیشن گوئی ایک ایسی خدمت ہے جو کسی ML تجربے کی ضرورت کے بغیر، درست مانگ کی پیشن گوئی پیدا کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتی ہے۔ کیا-اگر تجزیوں کے ذریعے منظرناموں کی نقالی کرنا فرضی منظرناموں سے ممکنہ نتائج کو حاصل کر کے مستقبل کے واقعات کی غیر یقینی صورتحال سے گزرنے کے لیے ایک طاقتور کاروباری ٹول ہے۔ آمدنی یا منافع پر کاروباری فیصلوں کے اثرات کا اندازہ لگانا، مارکیٹ کے رجحانات سے وابستہ خطرے کی مقدار کا اندازہ لگانا، کسٹمر کی طلب کو پورا کرنے کے لیے لاجسٹکس اور افرادی قوت کو کیسے منظم کرنا ہے، اور بہت کچھ کرنا ایک عام عمل ہے۔

طلب کی پیشن گوئی کے لیے کیا ہو تو تجزیہ کرنا مشکل ہو سکتا ہے کیونکہ آپ کو مانگ کی پیشن گوئی کرنے کے لیے پہلے درست ماڈلز کی ضرورت ہوتی ہے اور پھر مختلف منظرناموں میں پیشن گوئی کو دوبارہ پیش کرنے کا ایک تیز اور آسان طریقہ۔ ابھی تک، اگرچہ Forecast نے مانگ کی درست پیشین گوئیاں فراہم کی تھیں، لیکن Forecast کا استعمال کرتے ہوئے کیا ہو تو تجزیہ کرنا بوجھل اور وقت طلب ہو سکتا ہے۔ مثال کے طور پر، ریٹیل پروموشن پلاننگ ایک عام ایپلی کیشن ہے جس کا تجزیہ کیا جاتا ہے تاکہ کسی پروڈکٹ کی زیادہ سے زیادہ قیمت کی نشاندہی کی جا سکے۔ پہلے پیشن گوئی پر، آپ کو ہر اس منظر نامے کے لیے ایک نئی ان پٹ فائل تیار اور درآمد کرنی پڑتی تھی جس کی آپ جانچ کرنا چاہتے تھے۔ اگر آپ تین مختلف قیمت پوائنٹس کی جانچ کرنا چاہتے ہیں، تو آپ کو پہلے دستی طور پر آف لائن ڈیٹا کو تبدیل کرکے اور پھر ہر فائل کو الگ سے Forecast میں درآمد کرکے تین نئی ان پٹ فائلیں بنانا ہوں گی۔ درحقیقت، آپ ہر ایک منظر نامے کے لیے کاموں کا ایک ہی سیٹ کر رہے تھے۔ مزید برآں، منظرناموں کا موازنہ کرنے کے لیے، آپ کو ہر منظر نامے سے پیشین گوئی کو انفرادی طور پر ڈاؤن لوڈ کرنا ہوگا اور پھر انہیں آف لائن ضم کرنا ہوگا۔

آج کے آغاز کے ساتھ، آپ آسانی سے 80% تیزی سے کیا ہو تو تجزیہ کر سکتے ہیں۔ ہم نے ہر منظر نامے کے لیے آف لائن ڈیٹا کی ہیرا پھیری اور درآمد کی ضرورت کو ختم کر کے نئے منظرنامے بنانا آسان بنا دیا ہے۔ اب، آپ سادہ آپریشنز کے ذریعے اپنے ابتدائی ڈیٹا سیٹ کو تبدیل کر کے ایک منظر نامے کی وضاحت کر سکتے ہیں، جیسے کہ پروڈکٹ A کی قیمت کو 90% سے ضرب دینا یا پروڈکٹ B کی قیمت کو $10 سے کم کرنا۔ ان تبدیلیوں کو ان پیرامیٹرز کو کنٹرول کرنے کے لیے حالات کے ساتھ بھی ملایا جا سکتا ہے جن پر منظر نامے کا اطلاق ہوتا ہے (مثال کے طور پر، صرف ایک جگہ پر پروڈکٹ A کی قیمت کو کم کرنا)۔ اس لانچ کے ساتھ، آپ ایک ہی قسم کے تجزیہ (جیسے پروموشن تجزیہ) یا مختلف قسم کے تجزیوں (جیسے جغرافیائی خطہ 1 میں پروموشن تجزیہ اور جغرافیائی خطہ 2 میں انوینٹری کی منصوبہ بندی) کے متعدد منظرناموں کو بیک وقت متعین اور چلا سکتے ہیں۔ آخر میں، اب آپ کو آف لائن منظرناموں کے نتائج کو ضم کرنے اور ان کا موازنہ کرنے کی ضرورت نہیں ہے۔ اب، آپ ایک ہی گراف میں تمام منظرناموں میں پیشین گوئیاں دیکھ سکتے ہیں یا آف لائن جائزے کے لیے ڈیٹا کو بڑی تعداد میں برآمد کر سکتے ہیں۔

حل جائزہ

اس پوسٹ کے اقدامات یہ ظاہر کرتے ہیں کہ کس طرح استعمال کیا جائے اگر تجزیہ کیا جائے۔ AWS مینجمنٹ کنسول. What-if تجزیہ کے لیے Forecast APIs کو براہ راست استعمال کرنے کے لیے، ہماری نوٹ بک پر عمل کریں۔ GitHub repo جو ایک مشابہ مظاہرہ فراہم کرتا ہے۔

اپنا تربیتی ڈیٹا درآمد کریں۔

کیا ہو تو تجزیہ کرنے کے لیے، آپ کو دو CSV فائلیں درآمد کرنی ہوں گی جو ٹارگٹ ٹائم سیریز کے ڈیٹا کی نمائندگی کرتی ہیں (پیش گوئی کا ہدف دکھا رہی ہیں) اور متعلقہ ٹائم سیریز ڈیٹا (ان صفات کو دکھانا جو ہدف کو متاثر کرتی ہیں)۔ ہماری مثال کے ٹارگٹ ٹائم سیریز فائل میں پروڈکٹ آئٹم ID، ٹائم اسٹیمپ، ڈیمانڈ، اسٹور ID، شہر اور علاقہ شامل ہے، اور ہماری متعلقہ ٹائم سیریز فائل میں پروڈکٹ آئٹم ID، اسٹور ID، ٹائم اسٹیمپ، شہر، علاقہ اور قیمت شامل ہے۔

اپنا ڈیٹا درآمد کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. Forecast کنسول پر، منتخب کریں۔ ڈیٹا سیٹ گروپس دیکھیں.

2. میں سے انتخاب کریں ڈیٹاسیٹ گروپ بنائیں.

3. کے لئے ڈیٹا سیٹ گروپ کا نامڈیٹا سیٹ کا نام درج کریں (اس پوسٹ کے لیے، my_company_consumer_sales_history).
4. کے لئے پیشن گوئی کا ڈومین، ایک پیشن گوئی ڈومین منتخب کریں (اس پوسٹ کے لیے، Retail).
5. میں سے انتخاب کریں اگلے.

6. پر ٹارگٹ ٹائم سیریز ڈیٹاسیٹ بنائیں صفحہ، ڈیٹاسیٹ کا نام، اپنے ڈیٹا کی فریکوئنسی، اور ڈیٹا سکیما فراہم کریں۔
7. ڈیٹا سیٹ کی درآمد کی تفصیلات فراہم کریں۔
8. میں سے انتخاب کریں آغاز.

مندرجہ ذیل اسکرین شاٹ ہماری مثال کے لیے پُر کیے گئے ٹارگٹ ٹائم سیریز کے صفحے کی معلومات دکھاتا ہے۔

آپ کو ڈیش بورڈ پر لے جایا جائے گا جسے آپ ترقی کو ٹریک کرنے کے لیے استعمال کر سکتے ہیں۔

9. متعلقہ ٹائم سیریز فائل درآمد کرنے کے لیے، ڈیش بورڈ پر، منتخب کریں۔ درآمد کریں.

10. پر متعلقہ ٹائم سیریز ڈیٹاسیٹ بنائیں صفحہ، ڈیٹاسیٹ کا نام اور ڈیٹا سکیما فراہم کریں۔
11. ڈیٹا سیٹ کی درآمد کی تفصیلات فراہم کریں۔
12. میں سے انتخاب کریں آغاز.

درج ذیل اسکرین شاٹ ہماری مثال کے لیے بھری ہوئی معلومات کو ظاہر کرتا ہے۔

پیشن گوئی کرنے والے کو تربیت دیں۔

اگلا، ہم ایک پیش گو کو تربیت دیتے ہیں۔

1. ڈیش بورڈ پر، منتخب کریں۔ ٹرین کی پیشن گوئی کرنے والا.

2. پر ٹرین کی پیشن گوئی کرنے والا صفحہ، اپنے پیش گو کے لیے ایک نام درج کریں، مستقبل میں آپ کتنی دیر تک اور کس فریکوئنسی پر پیشن گوئی کرنا چاہتے ہیں، اور کوانٹائل کی تعداد جس کے لیے آپ پیشن گوئی کرنا چاہتے ہیں۔
3. آٹو پریڈیکٹر کو فعال کریں - یہ کیا ہے اگر تجزیہ استعمال کرنے کے لیے ضروری ہے۔
4. میں سے انتخاب کریں تخلیق کریں.

درج ذیل اسکرین شاٹ ہماری مثال کے لیے بھری ہوئی معلومات کو ظاہر کرتا ہے۔

ایک پیشن گوئی تخلیق کریں

ہمارے پیش گو کے تربیت یافتہ ہونے کے بعد (اس میں تقریباً 2.5 گھنٹے لگ سکتے ہیں)، ہم ایک پیشن گوئی بناتے ہیں۔ آپ کو پتہ چل جائے گا کہ جب آپ دیکھیں گے کہ آپ کا پیشن گوئی کرنے والا تربیت یافتہ ہے۔ پیش گوئی کرنے والے دیکھیں اپنے ڈیش بورڈ پر بٹن۔

1. میں سے انتخاب کریں ایک پیشن گوئی تخلیق کریں ڈیش بورڈ پر

2. پر ایک پیشن گوئی تخلیق کریں صفحہ، پیشن گوئی کا نام درج کریں، پیشین گوئی کرنے والے کا انتخاب کریں جو آپ نے بنایا ہے، اور پیشین گوئی کی مقدار (اختیاری) اور آئٹمز کی وضاحت کریں جن کے لیے پیشن گوئی پیدا کی جائے۔
3. میں سے انتخاب کریں آغاز.

ان مراحل کو مکمل کرنے کے بعد، آپ نے کامیابی کے ساتھ ایک پیشن گوئی تیار کر لی ہے۔ یہ آپ کے بنیادی پیشین گوئی کے منظر نامے کی نمائندگی کرتا ہے جسے آپ کیا کرنے کے لیے استعمال کرتے ہیں-اگر تجزیہ کرتے ہیں۔

اگر آپ کو اپنی بنیادی پیشین گوئیاں بنانے میں مزید مدد کی ضرورت ہے، تو رجوع کریں۔ شروع کرنا (کنسول). اب ہم کیا ہو تو تجزیہ کرنے کے اگلے مراحل کی طرف بڑھتے ہیں۔

کیا ہو تو تجزیہ بنائیں

اس مقام پر، ہم نے اپنی بنیادی پیشن گوئی تیار کر لی ہے اور اس بارے میں واک تھرو شروع کر دیں گے کہ کیا ہو تو تجزیہ کیسے کیا جائے۔ کیا ہو تو تجزیہ کرنے کے لیے تین مراحل ہیں: تجزیہ ترتیب دینا، منظر نامے میں کیا تبدیلی آئی ہے اس کی وضاحت کرکے، اور نتائج کا موازنہ کرنا۔

1. اپنا تجزیہ ترتیب دینے کے لیے، منتخب کریں۔ کیا ہو تو تجزیہ دریافت کریں۔ ڈیش بورڈ پر

2. میں سے انتخاب کریں تخلیق کریں.

3. ایک منفرد نام درج کریں اور ڈراپ ڈاؤن مینو پر بنیادی پیشن گوئی منتخب کریں۔
4. اپنے ڈیٹاسیٹ میں وہ آئٹمز منتخب کریں جن کے لیے آپ کیا-اگر تجزیہ کرنا چاہتے ہیں۔ آپ کے پاس دو اختیارات ہیں:
   1. تمام اشیاء کو منتخب کریں۔ پہلے سے طے شدہ ہے، جسے ہم اس پوسٹ میں منتخب کرتے ہیں۔
   2. اگر آپ مخصوص اشیاء کو چننا چاہتے ہیں تو منتخب کریں۔ فائل کے ساتھ آئٹمز منتخب کریں۔ اور ایک CSV فائل درآمد کریں جس میں متعلقہ آئٹم اور کسی بھی متعلقہ جہت (جیسے علاقہ) کے لیے منفرد شناخت کنندہ ہو۔
5. میں سے انتخاب کریں کیا ہو تو تجزیہ بنائیں.

کیا ہو تو پیشن گوئی بنائیں

اس کے بعد، ہم اس منظرنامے کی وضاحت کے لیے جو ہم تجزیہ کرنا چاہتے ہیں ایک پیشین گوئی بناتے ہیں۔

1. میں سے انتخاب کریں تخلیق کریں.

2. اپنے منظر نامے کا نام درج کریں۔

آپ دو اختیارات کے ذریعے اپنے منظر نامے کی وضاحت کر سکتے ہیں:

• تبدیلی کے افعال استعمال کریں۔ - آپ کے درآمد کردہ متعلقہ ٹائم سیریز ڈیٹا کو تبدیل کرنے کے لیے ٹرانسفارمیشن بلڈر کا استعمال کریں۔ اس واک تھرو کے لیے، ہم اندازہ کرتے ہیں کہ جب قیمت میں 10% کمی کی جاتی ہے اور پھر بیس لائن پیشن گوئی میں قیمت کے مقابلے میں 30% کی کمی کی جاتی ہے تو ہمارے ڈیٹاسیٹ میں کسی چیز کی مانگ کیسے بدل جاتی ہے۔
• متبادل ڈیٹا سیٹ کے ساتھ کیا ہو تو پیشن گوئی کی وضاحت کریں۔ - اپنے درآمد کردہ متعلقہ ٹائم سیریز ڈیٹاسیٹ کو تبدیل کریں۔

ٹرانسفارمیشن فنکشن بلڈر آپ کے ڈیٹا میں خصوصیات کو شامل کرنے، گھٹانے، تقسیم کرنے اور ضرب کرنے کے لیے آسان آپریشنز کے ذریعے آپ کے پہلے درآمد کردہ متعلقہ ٹائم سیریز ڈیٹا کو تبدیل کرنے کی صلاحیت فراہم کرتا ہے (مثال کے طور پر قیمت) آپ کی بتائی گئی قدر سے۔ ہماری مثال کے طور پر، ہم ایک ایسا منظرنامہ بناتے ہیں جہاں ہم قیمت میں 10% کمی کرتے ہیں، اور قیمت ڈیٹا سیٹ میں ایک خصوصیت ہے۔

3. کے لئے کیا ہو تو پیشن گوئی کی تعریف کا طریقہمنتخب تبدیلی کے افعال استعمال کریں۔.
4. میں سے انتخاب کریں ضرب ہمارے آپریٹر کے طور پر، قیمت ہماری ٹائم سیریز کے طور پر، اور 0.9 درج کریں۔

آپ اپنے منظر نامے کو مزید بہتر بنانے کے لیے شرائط بھی شامل کر سکتے ہیں۔ مثال کے طور پر اگر آپ کے ڈیٹا سیٹ میں اسٹور کی معلومات ریجن کے لحاظ سے ترتیب دی گئی ہیں، تو آپ قیمت میں کمی کے منظر نامے کو علاقے کے لحاظ سے محدود کر سکتے ہیں۔ آپ قیمت میں 10% کمی کے منظر نامے کی وضاحت کر سکتے ہیں جو کہ Region_1 میں نہ ہونے والے اسٹورز پر لاگو ہو۔

5. میں سے انتخاب کریں شرط شامل کریں۔.
6. میں سے انتخاب کریں برابر نہیں ہے۔ آپریشن کے طور پر اور ریجن_1 میں داخل ہوں۔

اپنی متعلقہ ٹائم سیریز میں ترمیم کرنے کا دوسرا آپشن ایک نیا ڈیٹاسیٹ درآمد کرنا ہے جس میں منظر نامے کی وضاحت کرنے والا ڈیٹا پہلے سے موجود ہو۔ مثال کے طور پر، قیمتوں میں 10% کمی کے ساتھ ایک منظر نامے کی وضاحت کرنے کے لیے، ہم ایک نیا ڈیٹا سیٹ اپ لوڈ کر سکتے ہیں جس میں ان آئٹمز کے لیے منفرد شناخت کنندہ کی وضاحت کی جائے جو تبدیل ہو رہی ہیں اور قیمت میں تبدیلی جو 10% کم ہے۔ ایسا کرنے کے لیے، منتخب کریں۔ متبادل ڈیٹا سیٹ کے ساتھ کیا ہو تو پیشن گوئی کی وضاحت کریں۔ اور قیمت کی تبدیلی پر مشتمل CSV درآمد کریں۔

7. کیا ہو تو پیشن گوئی کی تعریف کو مکمل کرنے کے لیے، منتخب کریں۔ تخلیق کریں.

30% قیمت میں کمی کے ساتھ ایک اور کیا ہو تو پیشن گوئی بنانے کے لیے عمل کو دہرائیں۔

ہر ایک what-if پیشن گوئی کے لیے what-if تجزیہ چلنے کے بعد، حیثیت فعال میں تبدیل ہو جائے گی۔ یہ دوسرے مرحلے کا اختتام کرتا ہے، اور آپ پیشین گوئیوں کا موازنہ کرنے کے لیے آگے بڑھ سکتے ہیں۔

پیشن گوئیوں کا موازنہ کریں۔

اب ہم اپنے دونوں منظرناموں کے لیے پیشین گوئیوں کا موازنہ کر سکتے ہیں، قیمت میں 10% کمی کا 30% قیمت میں کمی کے ساتھ موازنہ کر سکتے ہیں۔

1. تجزیہ بصیرت کے صفحہ پر، نیویگیٹ کریں۔ کیا ہو تو پیشن گوئی کا موازنہ کریں۔ سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔

1. کے لئے آئٹم_آئی ڈی، تجزیہ کرنے کے لیے آئٹم درج کریں۔
2. کے لئے کیا-اگر پیشن گوئیموازنہ کرنے کے لیے منظرنامے کا انتخاب کریں (اس پوسٹ کے لیے، Scenario_1 اور Scenario_2).
3. میں سے انتخاب کریں what-if کا موازنہ کریں۔.

مندرجہ ذیل گراف ہمارے دونوں منظرناموں میں نتیجے میں طلب کو ظاہر کرتا ہے۔

پہلے سے طے شدہ طور پر، یہ P50 اور بیس کیس کے منظر نامے کو ظاہر کرتا ہے۔ آپ اپنی پسند کی کوانٹائلز کو منتخب کرکے تیار کردہ تمام کوانٹائل دیکھ سکتے ہیں۔ پیشن گوئیاں منتخب کریں۔ ڈراپ ڈاؤن مینو

اپنا ڈیٹا ایکسپورٹ کریں۔

اپنا ڈیٹا CSV میں ایکسپورٹ کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. میں سے انتخاب کریں ایکسپورٹ بنائیں.

2. اپنی ایکسپورٹ فائل کے لیے ایک نام درج کریں (اس پوسٹ کے لیے، my_scenario_export)
3. پر منظرناموں کو منتخب کرکے برآمد کیے جانے والے منظرناموں کی وضاحت کریں۔ کیا-اگر پیشن گوئی ڈراپ ڈاؤن مینو. آپ ایک مشترکہ فائل میں ایک ساتھ متعدد منظرنامے برآمد کرسکتے ہیں۔
4. کے لئے ایکسپورٹ مقام، کی وضاحت کریں ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) مقام۔
5. برآمد شروع کرنے کے لیے، منتخب کریں۔ ایکسپورٹ بنائیں.

6. ایکسپورٹ ڈاؤن لوڈ کرنے کے لیے، پہلے AWS مینجمنٹ کنسول سے S3 فائل پاتھ لوکیشن پر جائیں اور فائل کو منتخب کریں اور ڈاؤن لوڈ بٹن کو منتخب کریں۔ برآمد فائل میں ٹائم اسٹیمپ، آئٹم ID، طول و عرض، اور ہر ایک کوانٹائل کے لیے منتخب کردہ تمام منظرناموں (بشمول بنیادی منظر نامے) کے لیے پیشین گوئیاں شامل ہوں گی۔

نتیجہ

کاروبار کی غیر یقینی صورتحال سے گزرنے میں مدد کرنے کے لیے منظر نامے کا تجزیہ ایک اہم ذریعہ ہے۔ یہ دور اندیشی اور خیالات کی جانچ کے لیے ایک طریقہ کار فراہم کرتا ہے، جس سے کاروبار زیادہ لچکدار، بہتر طور پر تیار، اور ان کے مستقبل کے کنٹرول میں رہتے ہیں۔ پیشن گوئی اب پیشن گوئی کی حمایت کرتی ہے کہ اگر منظر نامے کا تجزیہ کیا جاتا ہے۔ اپنے منظر نامے کا تجزیہ کرنے کے لیے، Forecast کنسول کھولیں اور اس پوسٹ میں بیان کردہ مراحل پر عمل کریں، یا ہمارے GitHub نوٹ بک API کے ذریعے فعالیت تک کیسے رسائی حاصل کی جائے۔

مزید جاننے کے لیے، کا حوالہ دیں۔ واٹ آئیف تجزیہ بنائیں ڈویلپر گائیڈ میں صفحہ۔

---

مصنفین کے بارے میں

برینڈن نائر Amazon Forecast کے لیے ایک سینئر پروڈکٹ مینیجر ہے۔ اس کی پیشہ ورانہ دلچسپی قابل توسیع مشین لرننگ سروسز اور ایپلی کیشنز بنانے میں ہے۔ کام سے باہر وہ قومی پارکوں کی تلاش، گولف سوئنگ کو مکمل کرتے ہوئے یا ایڈونچر ٹرپ کی منصوبہ بندی کرتے ہوئے پایا جا سکتا ہے۔

اکھل راج اجیکودن ایمیزون کی پیشن گوئی پر کام کرنے والا ایک سافٹ ویئر ڈویلپمنٹ انجینئر ہے۔ اس کی دلچسپیاں قابل اعتماد نظاموں کی ڈیزائننگ اور تعمیر میں ہیں جو صارفین کے پیچیدہ مسائل کو حل کرتی ہیں۔ کام کے علاوہ، وہ تاریخ کے بارے میں سیکھنے، پیدل سفر کرنے اور ویڈیو گیمز کھیلنے سے لطف اندوز ہوتا ہے۔

کونر اسمتھ ایمیزون کی پیشن گوئی پر کام کرنے والا ایک سافٹ ویئر ڈویلپمنٹ انجینئر ہے۔ وہ محفوظ، توسیع پذیر تقسیم شدہ نظاموں کی تعمیر پر توجہ مرکوز کرتا ہے جو صارفین کو قدر فراہم کرتے ہیں۔ کام سے باہر وہ افسانے پڑھنے، گٹار بجانے اور بے ترتیب یوٹیوب ویڈیوز دیکھنے میں وقت گزارتا ہے۔

شینن کلنگس ورتھ Amazon Forecast کے لیے UX ڈیزائنر ہے۔ وہ دو سالوں سے پیشن گوئی میں صارف کے تجربے کو بہتر بنا رہا ہے اور عمل کو آسان بنانے کے ساتھ ساتھ ان طریقوں سے نئی خصوصیات شامل کر رہا ہے جو ہمارے صارفین کے لیے معنی خیز ہوں۔ کام کے علاوہ اسے بھاگنے، ڈرائنگ اور پڑھنے کا شوق ہے۔