Wozu dient diese AWS-Lösungsimplementierung?
Die Lösung "Verbessern der Prognosegenauigkeit mit Machine Learning" generiert, testet, vergleicht und iteriert Prognosen für Amazon Forecast. Die Lösung erstellt automatisch Vorhersagen und generiert Visualisierungs-Dashboards für Amazon QuickSight oder Amazon SageMaker Jupyter Notebooks, die eine schnelle, einfache Drag-and-Drop-Schnittstelle bieten, die die Eingabe von Zeitreihen und die prognostizierte Ausgabe anzeigt. Prognosen können für die Vorhersage der Nachfrage nach Einzelhandelsbeständen, die Planung der Lieferkette, den Status der Belegschaft, die Vorhersage des Web-Traffics und vieles mehr eingesetzt werden.
Prognosen können über Dimensionen (z. B. Standort der Filiale) oder Metadaten auf Artikelebene (z. B. Produktmarke, Größe und Farbe) verglichen werden. Sie können diese Daten für Folgendes verwenden:
- Vorhandene Prognosen optimieren: Sparen Sie Zeit und behalten Sie die Kompatibilität mit Ihren bestehenden Tools bei, oder gewinnen Sie mit der p50-Prognose Einblick in Über- und Unterprovisionen.
- Variable Kundennachfrage befriedigen: Sorgen Sie für eine hohe Kundenzufriedenheit mit der p90-Prognose, bei der der tatsächliche Wert in 90 % der Fälle niedriger als der vorhergesagte Wert erwartet wird.
- Überprovisionierung vermeiden: Sparen Sie Kosten und vermeiden Sie eine Überprovisionierung mit der p10-Prognose, bei der der tatsächliche zukünftige Nachfragewert nur in 10 % der Zeit unter dem vorhergesagten Wert liegen dürfte.
Vorteile
Automatisierte Prozesse
leer
Sicherheitsbereitstellung
leer
Proaktive Überwachung
leer
Automatisierte Visualisierung
Übersicht über die AWS-Lösungsimplementierung
Durch die Bereitstellung dieser Lösung mit den Standardparametern wird die folgende serverlose Umgebung in der AWS-Cloud erstellt.
Verbessern der Prognosegenauigkeit mit Machine Learning – Lösungsarchitektur
Die AWS-CloudFormation-Vorlage stellt die Ressourcen bereit, die für die Automatisierung der Nutzung und Bereitstellung von Amazon Forecast erforderlich sind. Basierend auf den Fähigkeiten der Lösung ist die Architektur in drei Teile gegliedert: Datenaufbereitung, Prognose und Datenvisualisierung. Die Vorlage umfasst die folgenden Komponenten:
- Ein Amazon-Simple-Storage-Service-Bucket (Amazon S3) für die Amazon-Forecast-Konfiguration, in dem Sie Konfigurationseinstellungen für Ihre Datensatzgruppen, Datasatzprädiktoren und -prognosen sowie für die Datensätze selbst angeben.
- Eine Amazon-S3-Ereignisbenachrichtigung, die ausgelöst wird, wenn neue Datensätze in den zugehörigen Amazon-S3-Bucket hochgeladen werden.
- Eine Verbesserung der Prognosegenauigkeit mit der Machine-Learning-Zustandsmaschine für AWS Step Functions. Dies kombiniert eine Reihe von AWS-Lambda-Funktionen, mit denen Sie Ihre Machine-Learning-Modelle (ML) in Amazon Forecast erstellen, trainieren und bereitstellen können. Alle AWS-Step-Functions-Protokolle zu Amazon CloudWatch.
- Ein E-Mail-Abonnement für Amazon Simple Notification Service (Amazon SNS), das administrative Benutzer über die Ergebnisse der AWS Step Functions informiert.
- Eine Amazon-SageMaker-Notebook-Instance, mit der Datenwissenschaftler und -entwickler Daten aufbereiten, verarbeiten und die Prognoseausgabe auswerten können.
- Ein AWS-Glue-Auftrag kombiniert unformatierte Prognose-Eingabedaten, Metadaten, Prädiktor-Backtest-Exporte und Prognoseexporte zu einer aggregierten Ansicht Ihrer Prognosen.
- Mit Amazon Athena können Sie Ihre Prognoseausgabe mithilfe von Standard-SQL-Abfragen abfragen.
- Amazon-QuickSight-Analysen können pro Prognose erstellt werden, um Benutzern eine Visualisierung der Prognoseausgabe über Hierarchien und Kategorien prognostizierter Artikel hinweg sowie Genauigkeitsmetriken auf Artikelebene zu bieten. Aus diesen Analysen können Dashboards erstellt und in Ihrer Organisation freigegeben werden.
Verbessern der Prognosegenauigkeit mit Machine Learning
Version 1.3.3
Veröffentlichungsdatum: 06.2021
Autor: AWS
Geschätzte Einsatzzeit: 5 Minuten
Bereitstellungsressourcen
Hinweis: Um RSS-Aktualisierungen zu abonnieren, muss für den von Ihnen verwendeten Browser ein RSS-Plug-in aktiviert sein.
Zugehöriger Inhalt
Erfahren Sie, wie das Verbessern der Prognosegenauigkeit mit einer Machine Learning-Lösung die Prognosen zu kurzfristiger elektrischer Last in den Bereichen Strom und Energieversorgung vereinfacht. Das verbessert wiederum die Netzzuverlässigkeit.
In diesem Blog-Post zeigen wir Ihnen, wie ein zuverlässiges Einzelhandel-Prognosesystem mit Amazon Forecast und einer von AWS überprüften Lösung namens Verbessern der Prognosegenauigkeit mit Machine Learning erstellt wird.
Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.
Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.
Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.