Amélioration de la précision des prévisions avec le Machine Learning

À quoi sert cette solution AWS ?

La solution Amélioration de la précision des prévisions avec le Machine Learning génère, teste, compare et itère les prévisions d'Amazon Forecast. La solution produit automatiquement des prévisions et génère des tableaux de bord de visualisation pour Amazon QuickSight ou Amazon SageMaker Jupyter Notebooks. Elle offre une interface simple et rapide, par glisser-déposer, qui affiche les entrées de séries chronologiques et les sorties prévues. La prévision peut être appliquée pour déterminer les stocks de vente au détail nécessaires, à la planification de la chaîne logistique, au statut du personnel, au trafic sur le Web, etc.

Les prévisions peuvent être comparées entre les dimensions (par exemple, l'emplacement du magasin de vente au détail) ou les métadonnées au niveau de l'article (par exemple, la marque, la taille et la couleur du produit). Vous pouvez utiliser ces données pour les raisons suivantes :

  • Optimiser les prévisions existantes : gagnez du temps et retenez la compatibilité avec vos anciens outils ou découvrez le surapprovisionnement et le sous-approvisionnement grâce à la prévision p50.
  • Répondre à une demande variable des clients : Offrez des niveaux élevés de satisfaction client grâce à la prévision p90, où la valeur réelle doit être inférieure à la valeur prévue 90 % du temps.
  • Éviter le surapprovisionnement : Économisez sur les coûts et évitez le surapprovisionnement avec la prévision p10, où la valeur réelle de la demande future ne doit être inférieure à la valeur prévue que 10 % du temps.
Exemple de graphique comparant deux prévisions générées
La solution génère des prévisions probabilistes à trois quantiles par défaut pour traiter la sensibilité au sur-approvisionnement et au sous-approvisionnement (voir l'exemple de graphique ci-dessus).

Avantages

Processus automatisés

Rationalisez le processus d'ingestion, de modélisation et de prévision de plusieurs expérimentations grâce à l'automatisation d'Amazon Forecast.

vide

Déploiement sécurisé

Fournissez un déploiement sécurisé en un clic en utilisant un modèle AWS CloudFormation développé avec les méthodologies de l'AWS Well-Architected Framework.

vide

Surveillance proactive

Surveillez facilement les prévisions en envoyant des e-mails aux utilisateurs lorsque des succès et des échecs se produisent.

vide

Visualisation automatisée

Facilitez la collaboration et l'expérimentation en combinant vos données d'entrée et la prévision générée dans une analyse Amazon QuickSight ou un bloc-notes Jupyter.

Présentation de la solution AWS

Le déploiement de cette solution avec les paramètres par défaut crée l'environnement sans serveur suivant dans le Cloud AWS.

Amélioration de la précision des prévisions avec l'architecture de la solution de Machine Learning

Le modèle AWS CloudFormation déploie les ressources requises pour automatiser votre utilisation et vos déploiement d'Amazon Forecast. En fonction des capacités de la solution, l'architecture est divisée en trois parties : préparation des données, prévisions et visualisation des données. Le modèle comprend les composants suivants :

  1. Un compartiment Amazon Simple Storage Service (Amazon S3) pour la configuration d'Amazon Forecast, dans lequel vous spécifiez les paramètres de configuration pour vos groupes de jeux de données, prédicteurs de jeu de données et prévisions, ainsi que les jeux de données eux-mêmes.
  2. Une notification d'événement Amazon S3 qui se déclenche lorsque de nouveaux jeux de données sont chargés dans le compartiment Amazon S3 connexe.
  3. Amélioration de la précision des prévisions grâce à une machine à états finis AWS Step Functions de Machine Learning. Elle combine une série de fonctions AWS Lambda qui créent, entraînent et déploient vos modèles Machine Learning (ML) dans Amazon Forecast. Toutes les AWS Step Functions consignent dans Amazon CloudWatch.
  4. Un abonnement par e-mail à Amazon Simple Notification Service (Amazon SNS) qui informe les utilisateurs administratifs des résultats d'AWS Step Functions.
  5. Une instance de bloc-notes Amazon SageMaker que les scientifiques des données et les développeurs peuvent utiliser pour préparer et traiter les données, et évaluer la prévision générée.
  6. Une tâche AWS Glue combine des données d'entrée de prévisions brutes, des métadonnées, des exportations de tests rétroactifs de prédicteurs et des exportations de prévisions sous la forme d'une vue agrégée de vos prévisions.
  7. Amazon Athena peut être utilisé pour interroger votre prévision générée au moyen de requêtes SQL standard.
  8. Des analyses Amazon QuickSight peuvent être créées pour chaque prévision, afin de fournir aux utilisateurs une visualisation de la prévision générée par hiérarchies et catégories d'éléments prévus, ainsi que des métriques de précision au niveau de l'élément. Des tableaux de bord peuvent être créés à partir de ces analyses et partagés au sein de votre entreprise.

Améliorer la précision des prévisions grâce au machine learning

Version 1.4.1
Date de publication : 08/2022
Auteur : AWS

Temps de déploiement estimé : 5 min

Estimation du coût 
Utilisez le bouton ci-dessous pour vous abonner aux mises à jour de la solution.

Remarque : pour vous abonner aux mises à jour RSS, vous devez activer un plug-in RSS pour le navigateur que vous utilisez.  

Cette implémentation de solutions vous a-t-elle aidé ?
Donner mon avis 
Vidéo
Résoudre les problèmes avec les solutions : Amélioration de la précision des prévisions avec le machine learning
Référence client
App8 permet aux restaurants prévoir la demande grâce aux solutions AWS.
Découvrez comment l'entreprise technologique App8 a mis au point un outil capable de prévoir le volume de la clientèle et la demande pour certains éléments du menu grâce à la solution Improving Forecast Accuracy with Machine Learning.
AWS pour les industries
Prévision à court terme de la demande en énergie électrique avec Amazon Forecast

Découvrez comment la solution Improving Forecast Accuracy with Machine Learning simplifie la prévision de la demande en énergie électrique à court terme pour les compagnies d'électricité et les installations de services publics afin d'améliorer la fiabilité du réseau.

Vierge
Blog sur l'architecture AWS
Improving Retail Forecast Accuracy with Machine Learning

Dans ce billet de blog, nous vous montrons comment créer un système de prédiction fiable pour la vente au détail à l'aide d'Amazon Forecast et d'Improving Forecast Accuracy with Machine Learning, une solution approuvée par AWS.

Icône Créer
Déployez vous-même une solution AWS

Parcourez notre bibliothèque de solutions AWS pour obtenir des réponses aux problèmes architecturaux courants.

En savoir plus 
Trouver un partenaire APN
Trouvez une solution Partenaire AWS

Trouvez des partenaires AWS certifiés pour vous aider à démarrer.

Icône Explorer
Explorer les conseils

Trouvez des diagrammes d'architecture prescriptifs, des exemple de code et du contenu technique pour les cas d'utilisation courants.

En savoir plus