Precios de Amazon Forecast
Información general
Con Amazon Forecast, solo pagará lo que utilice y no se requieren tarifas mínimas ni compromisos iniciales. Hay cuatro tipos diferentes de costos que deben tenerse en cuenta al utilizar Amazon Forecast:
-
Datos importados: costo por cada GB de datos importados a Amazon Forecast para entrenamiento y previsiones.
-
Entrenamiento de un predictor: costo por cada hora de uso de la infraestructura necesaria para crear un predictor personalizado a partir de los datos de entrada o para supervisar el rendimiento del predictor. El tiempo de entrenamiento incluye el tiempo necesario para limpiar los datos, entrenar varios algoritmos en paralelo, determinar la mejor combinación de algoritmos, calcular métricas de precisión, generar información de explicabilidad, supervisar el rendimiento del predictor y el uso de la infraestructura durante la creación de previsiones. Tenga en cuenta que los costes se basan en la cantidad de horas de instancia utilizadas y no en el tiempo real que se tarda en entrenar a un predictor. Como Amazon Forecast implementa varias instancias en paralelo para entrenar a un predictor, la cantidad de horas utilizadas superará el tiempo real observado.
-
Puntos de datos de previsión generados: coste por el número de valores de previsión únicos generados en todas las combinaciones de series temporales (elementos y dimensiones). Los puntos de datos de previsión son la combinación del número de series temporales únicas (por ejemplo, SKU x almacenes), el número de cuantiles y los puntos temporales dentro del horizonte de previsión. Los puntos de datos previstos incluyen los creados mediante la generación de previsiones y los producidos mediante análisis hipotéticos.
-
Explicaciones de las previsiones: coste de explicar el impacto de los atributos o los datos relacionados en las previsiones para cada elemento y punto temporal. La explicabilidad le ayuda a comprender mejor cómo los atributos de sus conjuntos de datos afectan a los valores de las previsiones. El costo se basa en la cantidad de puntos de datos de previsión y en la cantidad de atributos que se explican (por ejemplo, precio, días festivos o índice meteorológico).
Calculadora de precios de AWS para Amazon Forecast
Utilice la Calculadora de precios de AWS para estimar el costo de la solución de arquitectura que utiliza Amazon Forecast.
Nivel gratuito
Durante los dos primeros meses de uso de Amazon Forecast, los clientes reciben hasta 100 000 puntos de datos de previsión al mes, hasta 10 GB de almacenamiento de datos al mes y hasta 10 horas de entrenamiento al mes.
Tablas de precios
|
Cost Type
|
Pricing
|
Details
|
|---|---|---|
|
Datos importados
|
0,088 USD por GB
|
Por cada GB de datos importados a Amazon Forecast.
|
|
Entrenamiento de predictores
|
0,24 USD por hora
|
Por cada hora utilizada para limpiar sus datos, entrene varios algoritmos en paralelo, encuentre la mejor combinación de algoritmos, calcule las métricas de precisión, genere puntuaciones de impacto de explicabilidad, supervise el rendimiento de los predictores y cree previsiones. Amazon Forecast implementa varias instancias en paralelo para entrenar a un predictor, por lo que la cantidad de horas utilizadas superará el tiempo real observado.
|
|
Puntos de datos de previsión generados
|
*Consulte la tabla 1 de precios por niveles que aparece a continuación
|
Por cada 1000 puntos de datos de previsión en cada cuantil para generar previsiones, incluidos los análisis hipotéticos. Los puntos de datos de previsión se redondean al millar más cercano.
|
|
Explicaciones de las previsiones
|
**Consulte la tabla 2 de precios por niveles que aparece a continuación
|
Por cada 1000 explicaciones: los puntos de datos de previsión multiplicados por el número de atributos (como precio o vacaciones). Las explicaciones se redondean al millar más cercano. Cada trabajo de explicabilidad tiene un límite de 50 series de tiempo y 500 puntos de tiempo.
|
*Tabla 1
Tabla de precios por niveles de puntos de datos de previsiones generadas
|
Generated forecast data points per month
|
Price per 1000 forecast data points
|
|---|---|
|
Primeros 100 000 puntos de datos de previsión
|
2,00 USD
|
|
Próximos 900 000 puntos de datos de previsión
|
0,80 USD
|
|
Próximos 49 millones de puntos de datos de previsión
|
0,20 USD
|
|
Más de 50 millones de puntos de datos de previsión
|
0,02 USD
|
Nota: Los clientes que utilicen un predictor entrenado con la API heredada CreatePredictor para generar previsiones tendrán un cargo de 0,60 USD por cada 1000 series de tiempo, que corresponden a la combinación de elementos y dimensiones, por cada cuantil. Las previsiones se redondean al millar más cercano.
**Tabla 2
Tabla de precios por niveles de explicaciones de previsiones
|
Forecast Explanations per month
|
Price per 1000 explanations
|
|---|---|
|
Primeras 50 000 explicaciones
|
2,00 USD
|
|
Próximas 950 000 explicaciones
|
0,80 USD
|
|
Próximas 9,9 millones de explicaciones
|
0,25 USD
|
|
Más de 10 millones de explicaciones
|
0,15 USD
|
Ejemplo de precios 1: Previsión de la demanda de productos
Supongamos que tiene una empresa de ropa con 1000 artículos a la venta en 50 tiendas de todo el mundo y que genera previsiones de la demanda de productos para los próximos 7 días, con 1 cuantil. Cada combinación de un artículo y la ubicación de la tienda equivale a una serie temporal, por lo que tendrá 50 000 series temporales (1000 artículos x 50 tiendas) de previsión. Dado que está realizando previsiones en 1 cuantil, deberá calcular un total de 50 000 previsiones (50 000 series temporales x 1 cuantil). Con previsiones a 7 días y una frecuencia de previsión semanal, se genera una previsión de 1 punto de datos en el futuro, con un total de 50 000 puntos de datos de previsión (50 000 previsiones × 1 punto de datos).
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
5 GB de datos importados
|
0,088 USD por GB
|
5 GB x 0,088 USD por GB = 0,44 USD
|
|
3 horas de entrenamiento
|
0,24 USD por hora
|
3 horas x 0,24 USD por hora = 0,72 USD
|
|
50 000 puntos de datos de previsión
|
2 USD por cada 1000 puntos de datos de previsión para los primeros 100 000 puntos de datos de previsión
|
50 000 previsiones x 2 USD por cada 1000 previsiones = 100 USD
|
|
-
|
- |
Costo total = 101,16 USD
|
Ejemplo de precios 1: previsiones generadas
Ahora supongamos el siguiente cambio: pasa a generar previsiones a 7 días con una frecuencia de previsión diaria. Esto se traduce en la generación de previsiones para 7 puntos de datos en el futuro, con un total de 350 000 puntos de datos de previsión (50 000 previsiones × 7 puntos de datos).
|
Cost Type
|
Pricing
|
Usage Cost
|
|---|---|---|
|
5 GB de datos importados
|
0,088 USD por GB
|
5 GB x 0,088 USD por GB = 0,44 USD
|
|
3 horas de entrenamiento
|
0,24 USD por hora
|
3 horas x 0,24 USD por hora = 0,72 USD
|
|
350 000 puntos de datos de previsión
|
2 USD por cada 1000 puntos de datos de previsión para los primeros 100 000 puntos de datos de previsión
0,80 USD por cada 1000 puntos de datos de previsión para los próximos 900 000 puntos de datos de previsión |
100 000 x 2 USD por cada 1000 puntos de previsión = 200 USD
Total = 200 USD + 200 USD = 400 USD |
|
-
|
- |
Costo total = 401,16 USD
|
El ejemplo de precios anterior se basa en un único trabajo de previsión en un mes
Ejemplo de precios 2: Planificación de capacidad
Supongamos que es propietario de una empresa de energía. Tiene 5000 clientes residentes que utilizan gas y electricidad. Cada combinación de clientes residentes y tipos de energía equivale a una serie temporal, por lo que tendrá 10 000 series temporales (2 tipos de energía x 5000 clientes residentes). Supongamos que necesita planificar con 24 horas de antelación y con una previsión horaria de 1 cuantil, por lo que realiza una previsión por un total de 240 000 puntos de datos de previsión (10 000 series temporales x 1 cuantil x 24 horas). Está añadiendo el atributo precio y ha seleccionado añadir los conjuntos de datos integrados de vacaciones y Amazon Forecast Weather Index para el entrenamiento del predictor. Supongamos que le interesa saber qué atributos impulsan las previsiones para sus 100 principales clientes de gas. El costo de la explicabilidad de las previsiones se detalla a continuación.
|
Number of explainability jobs
|
100 customer time series / 50 time series maximum per explainability job = 2
|
|---|---|
|
Cantidad de puntos de datos de previsión explicados por cada trabajo de explicabilidad
|
50 clientes residentes x 1 tipo de energía x 1 cuantil x 24 horas = 1200
|
|
Número de atributos que se explican
|
Precio + vacaciones + Weather Index = 3
|
|
Número total de explicaciones en un mes
|
1 200 × 3 × 2 = 8 000 (redondeado al millar más cercano)
|
|
Costo total
|
2 USD / 1000 explicaciones x 8000 explicaciones = 16 USD
|
El ejemplo de precios anterior se basa en un único trabajo de previsión en un mes