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.
Vergleich von zwei Prognosen, die mit Amazon Forecast erstellt wurden
Beispieldiagramm zum Vergleich zweier Prognoseausgaben
Die Lösung gibt probabilistische Vorhersagen für drei Standardquantile aus, um die Empfindlichkeit gegenüber Über- und Unterversorgung zu berücksichtigen (siehe Beispielgrafik oben).
 Zum Vergrößern klicken

Vorteile

Automatisierte Prozesse

Optimieren Sie den Prozess der Erfassung, Modellierung und Vorhersage mehrerer Experimente durch die Automatisierung von Amazon Forecast.

leer

Sicherheitsbereitstellung

Stellen Sie eine sichere Bereitstellung mit einem Klick bereit, indem Sie eine AWS CloudFormation-Vorlage verwenden, die mit den Methoden des AWS Well-Architected Framework entwickelt wurde.

leer

Proaktive Überwachung

Sie können die Prognosen mühelos überwachen, indem Sie Benutzer per E-Mail über Erfolge und Misserfolge informieren.

leer

Automatisierte Visualisierung

Erleichtern Sie die Zusammenarbeit und das Experimentieren, indem Sie Ihre Eingabedaten und die Prognoseausgabe in einem Amazon QuickSight Analysis- oder Jupyter-Notebook kombinieren.

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 | Architekturdiagramm
 Zum Vergrößern klicken

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:

  1. 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.
  2. Eine Amazon-S3-Ereignisbenachrichtigung, die ausgelöst wird, wenn neue Datensätze in den zugehörigen Amazon-S3-Bucket hochgeladen werden.
  3. 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.
  4. Ein E-Mail-Abonnement für Amazon Simple Notification Service (Amazon SNS), das administrative Benutzer über die Ergebnisse der AWS Step Functions informiert.
  5. Eine Amazon-SageMaker-Notebook-Instance, mit der Datenwissenschaftler und -entwickler Daten aufbereiten, verarbeiten und die Prognoseausgabe auswerten können.
  6. Ein AWS-Glue-Auftrag kombiniert unformatierte Prognose-Eingabedaten, Metadaten, Prädiktor-Backtest-Exporte und Prognoseexporte zu einer aggregierten Ansicht Ihrer Prognosen.
  7. Mit Amazon Athena können Sie Ihre Prognoseausgabe mithilfe von Standard-SQL-Abfragen abfragen.
  8. 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

Geschätzte Kosten 
Verwenden Sie die Schaltfläche unten, um Lösungsaktualisierungen zu abonnieren.

Hinweis: Um RSS-Aktualisierungen zu abonnieren, muss für den von Ihnen verwendeten Browser ein RSS-Plug-in aktiviert sein.  

Hat Ihnen diese Lösungsimplementierung geholfen?
Feedback geben 
Video
Lösen mit Hilfe von Lösungen – Verbessern der Prognosegenauigkeit mit Machine Learning
Kundenreferenz
App8 hilft Restaurants bei der Vorhersage der Nachfrage mithilfe von AWS-Lösungen
Erfahren Sie, wie das Technologieunternehmen App8 ein Tool entwickelt hat, dass das Kundenvolumen und den Bedarf für bestimmte Menü-Elemente mit der Verbesserung der Prognosegenauigkeit mit Machine Learning prognostiziert hat.
AWS für die Branchen
Kurzfristige elektrische Lastprognose mit Amazon Forecast

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.

Leer
AWS-Architekturblog
Verbessern der Retail-Prognosegenauigkeit mit Machine Learning

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.

Entwickeln (Symbol)
Selbst eine Lösung bereitstellen

Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.

Weitere Informationen 
Einen APN-Partner suchen
Einen APN-Partner suchen

Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.

Weitere Informationen 
Erkunden (Symbol)
Beratungsangebote für Lösungen erkunden

Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.

Weitere Informationen