Improving Forecast Accuracy with Machine Learning

예측은 조직에서 과거의 데이터 포인트를 기반으로 정보에 입각한 전략을 개발하는 데 필수적인 비즈니스 기능입니다. 수요 예측은 효율적인 비즈니스 운영에 중요할 수 있는데 수요를 정확하게 예측하면 과도하거나 부족한 프로비저닝을 최소화하고, 수익성을 최적화하며, 고객 만족도를 개선할 수 있기 때문입니다. 소매점 재고 수요, 공급망 계획, 인력 상태, 웹 트래픽 예측 등을 예측하는 데 예측을 적용할 수 있습니다.

특정 시나리오에서는 단순히 좋은 예측을 생성하는 것과 최적의 예측 구성을 사용하는 것의 차이가 수백만 달러의 손실로 나타날 수 있습니다. 일부 비즈니스에서는 운송비 과다, 높은 자본 비용 및/또는 부패하기 쉬운 제품으로 인해 과잉 재고의 비용이 상당히 높을 수 있습니다. 재고가 부족해 고객 수요를 충족하지 못할 경우 매출이 크게 줄고 고객 만족도가 떨어지는 비즈니스도 있습니다. 예를 들어 소매 예측에서 예측은 향후 판매량을 추정하고 품목을 재주문해야 하는 시기와 수량을 예측하며 재고 보유 비용을 줄이는 데 사용됩니다. 매출, 판매 및 현금 흐름과 같은 주요 지표도 예측해야 합니다.    

이 솔루션은 Amazon Forecast 예측 변수 및 예측을 생성, 테스트 및 비교하는 파이프라인을 자동화합니다. 개발자와 데이터 사이언티스트는 이 솔루션을 통해 Amazon Forecast 예측을 생성, 테스트, 비교 및 반복함으로써 프로덕션에 적합한 모델을 생성할 수 있습니다.  

Amazon Forecast는 재고 과잉 및 재고 부족에 대한 각 비즈니스의 민감도를 다루기 위해 세 가지 기본 분위수로 확률적 예측을 출력합니다. 오른쪽에 샘플 예측 그래프가 나와 있습니다. 재고 과잉을 방지하는 비즈니스에서는 p10 예측을 사용하면 됩니다. p10 예측은 10%의 시간에만 실제 향후 수요 값이 예측된 값보다 낮을 것으로 예상합니다. 고객 수요를 충족하지 못하는 것에 더 민감한 비즈니스에서는 p90 예측을 사용할 수 있습니다. p90 예측은 90%의 시간에 실제 값이 예측 값보다 낮을 것으로 예상합니다. 레거시 도구와의 호환성을 유지하는 것이 목표이거나 재고 과잉과 재고 부족에 대한 민감도가 같은 비즈니스의 경우 p50 예측을 사용할 수 있습니다.

이 솔루션을 구성하고, 서식이 지정된 수요 데이터를 Amazon Simple Storage Service(Amazon S3)로 끌어다 놓은 다음, 관련 데이터의 조합을 사용하여 예측을 생성하고, 포함된 Amazon SageMaker Jupyter Notebook에서 결과를 시각화할 수 있습니다.