概觀

該解決方案可自動產生預測並為 Amazon QuickSight 或 Amazon SageMaker Jupyter Notebook 產生視覺化儀表板,提供快速、簡便的拖放式界面來顯示時間序列輸入和預測輸出。預測可應用於預估零售庫存需求、供應鏈規劃、人力狀態、Web 流量預測等等。
可以跨維度 (例如,零售店位置) 或項目級別的中繼資料 (例如,產品品牌、大小和顏色) 比較預測。您可以將這些資料用於以下用途:
- 最佳化現有預測 - 使用 p50 預測節省時間並保持與舊版工具的相容性,或者深入了解存貨過多和存貨不足。
- 滿足可變的客戶需求 - 透過 p90 預測提供高水平的客戶滿意度,這時預計在 90% 的時間裡,實際需求比預測的需求低。
- 避免存貨過多 - 使用 p10 預測節省成本並避免存貨過多,因為預計未來的真實需求僅在 10% 的時間裡低於預測的需求。
優勢

透過 Amazon Forecast 的自動化,精簡為多重實驗進行擷取、模型建立和預測的程序。
使用以 AWS Well-Architected 架構法開發的 AWS CloudFormation 範本,提供安全的一鍵式部署。
於成功與失敗發生時傳送電子郵件給使用者,輕鬆監控預測。
透過在 Amazon QuickSight Analysis 或 Jupyter Notebook 中結合您的輸入資料和預測輸出來促進協作和實驗。
技術詳細資訊

AWS CloudFormation 範本可部署將 Amazon Forecast 的使用與部署自動化所需的資源。基於此解決方案的能力,架構分為三部分:資料準備、預測和資料視覺化。該範本包含以下元件:
步驟 1
適用於 Amazon Forecast 組態的 Amazon Simple Storage Service (Amazon S3) 儲存貯體,您可以在此為資料集群組、資料集預測工具和預測以及資料集本身指定組態設定。
步驟 2
新的資料集上傳至相關 Amazon S3 儲存貯體時觸發的 Amazon S3 事件通知。
步驟 3
藉助 Machine Learning AWS Step Functions 狀態機器來提高預測準確性。這結合了一系列 AWS Lambda 函數,可在 Amazon Forecast 中建置、訓練和部署您的 Machine Learning (ML) 模型。所有 AWS Step Functions 均記錄至 Amazon CloudWatch。
步驟 4
Amazon Simple Notification Service (Amazon SNS) 電子郵件訂閱,用於向管理使用者通知 AWS Step Functions 的結果。
步驟 5
Amazon SageMaker 筆記本執行個體,資料科學家和開發人員可用於準備和處理資料,以及評估 Forecast 輸出。
步驟 6
AWS Glue 任務在預測的彙總檢視中將原始預測輸入資料、中繼資料、預測工具回測匯出和預測匯出相結合。
步驟 7
Amazon Athena 可用於使用標準 SQL 查詢來查詢您的預測輸出。
步驟 8
可以在每個預測的基礎上建立 Amazon QuickSight 分析,以便為使用者提供跨預測項目層次結構和類別的預測輸出視覺化,以及項目層級的準確性指標。可以從這些分析中建立儀表板,並在您的組織內共享。
相關內容

在此部落格中,我們將向您展示如何使用 Amazon Forecast 和 AWS 審查的解決方案來建立可靠的零售預測系統,該解決方案稱為使用機器學習提高預測準確性。
了解如何使用機器學習解決方案提高預測準確性簡化了電力和公用事業的短期電力負載預測,以提升電網穩定性。