Übersicht
Die Lösung Improving Forecast Accuracy mit Machine Learning erstellt automatisch Prognosen und generiert Visualisierungs-Dashboards für Amazon QuickSight oder Amazon SageMaker Jupyter Notebooks und bietet eine schnelle, einfache Drag-and-Drop-Oberfläche, die Zeitreiheneingaben und prognostizierte Ausgaben 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
Optimieren Sie den Prozess der Erfassung, Modellierung und Vorhersage mehrerer Experimente durch die Automatisierung von Amazon Forecast.
Ermöglichen Sie eine sichere Bereitstellung mit nur einem Mausklick mit einer AWS CloudFormation-Vorlage, die anhand von Methoden des AWS Well-Architected Framework entwickelt wurde.
Sie können die Prognosen mühelos überwachen, indem Sie Benutzer per E-Mail über Erfolge und Misserfolge informieren.
Erleichtern Sie die Zusammenarbeit und das Experimentieren, indem Sie Ihre Eingabedaten und die Prognoseausgabe in einem Amazon QuickSight Analysis- oder Jupyter-Notebook kombinieren.
Technische Details
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:
Schritt 1
Ein Amazon-Simple-Storage-Service-Bucket (Amazon S3) für die Amazon-Forecast-Konfiguration, in dem Sie Konfigurationseinstellungen für Ihre Datensatzgruppen, Datensatzprädiktoren und -prognosen sowie für die Datensätze selbst angeben.
Schritt 2
Eine Amazon-S3-Ereignisbenachrichtigung, die ausgelöst wird, wenn neue Datensätze in den zugehörigen Amazon-S3-Bucket hochgeladen werden.
Schritt 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.
Schritt 4
Ein E-Mail-Abonnement für Amazon Simple Notification Service (Amazon SNS), das administrative Benutzer über die Ergebnisse der AWS Step Functions informiert.
Schritt 5
Eine Amazon-SageMaker-Notebook-Instance, mit der Datenwissenschaftler und -entwickler Daten aufbereiten, verarbeiten und die Prognoseausgabe auswerten können.
Schritt 6
Ein AWS-Glue-Auftrag kombiniert unformatierte Prognose-Eingabedaten, Metadaten, Prädiktor-Backtest-Exporte und Prognoseexporte zu einer aggregierten Ansicht Ihrer Prognosen.
Schritt 7
Mit Amazon Athena können Sie Ihre Prognoseausgabe mithilfe von Standard-SQL-Abfragen abfragen.
Schritt 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.
Schritt 1
Ein Amazon-Simple-Storage-Service-Bucket (Amazon S3) für die Amazon-Forecast-Konfiguration, in dem Sie Konfigurationseinstellungen für Ihre Datensatzgruppen, Datensatzprädiktoren und -prognosen sowie für die Datensätze selbst angeben.
Schritt 2
Eine Amazon-S3-Ereignisbenachrichtigung, die ausgerufen wird, wenn neue Datensätze in den zugehörigen Amazon-S3-Bucket hochgeladen werden.
Schritt 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.
Schritt 4
Ein E-Mail-Abonnement für Amazon Simple Notification Service (Amazon SNS), das administrative Benutzer über die Ergebnisse der AWS Step Functions informiert.
Schritt 5
Eine Amazon-SageMaker-Notebook-Instance, mit der Datenwissenschaftler und -entwickler Daten aufbereiten, verarbeiten und die Prognoseausgabe auswerten können.
Schritt 6
Ein AWS-Glue-Auftrag kombiniert unformatierte Prognose-Eingabedaten, Metadaten, Prädiktor-Backtest-Exporte und Prognoseexporte zu einer aggregierten Ansicht Ihrer Prognosen.
Schritt 7
Mit Amazon Athena können Sie Ihre Prognoseausgabe mithilfe von Standard-SQL-Abfragen abfragen.
Schritt 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.
Ähnliche Inhalte
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.
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.
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.
Diese Kurse erörtern sowohl den Machine-Learning-Stack als auch die Begriffe und Prozesse, die Sie zur Entwicklung einer soliden Grundlage im Bereich Machine Learning benötigen.
Diese Kursreihe vermittelt ein Verständnis dafür, wie künstliche Intelligenz (AI) zu Machine Learning (ML) und letztlich zu Deep Learning (DL) geführt hat.