什麼是預測?

預測是透過研究歷史資料和過往模式所做出的預報。企業可使用軟體工具和系統來分析長期所收集的大量資料。軟體隨後會預測未來需求與趨勢,協助公司進行更精確的財務、行銷以及營運決策。

使用機器學習提高預測準確性

預測為什麼重要?

預測作為一種規劃工具,可協助企業對於未來可能發生的不確定性預作準備。它能夠協助管理人員有自信地因應變化、控制企業營運並做出可帶動未來成長策略略決策。舉例來說,企業會利用預測來進行以下動作:

  • 更有效地使用資源
  • 視覺化業務績效
  • 安排新產品或是服務推出的時間
  • 預估經常性成本
  • 預測未來事件,例如銷售量和收益
  • 審查管理決策

預測方法的類型有哪些?

預測方法可分為定性與定量:

定性方法

定性預測依靠行銷專家做出短期預測。如果在歷史資料不足的情況下,可以使用定性方法。舉例來說,以下是兩個使用案例:

  • 市場研究技術 (例如民意測驗與調查) 可找出消費者需求。
  • 在該領域收集消費者意見並且預測趨勢的 Delphi 建模技術民調專家。

定量方法

定量預測模型會使用有意義的統計學和歷史資料來預測長期的未來趨勢。以下我們給出標準定量方法的例子:

  • 計量經濟模式可分析財務資料集 (例如貸款和投資資料),以預測重大經濟變化及其對公司的影響。
  • 指標方法會將資料點進行比較以找出看似無關資料之間的關聯。舉例來說,您可以利用 GDP 的變化來預測失業率。
  • 在此情境中,GDP 資料被稱為先行指標,而失業率則是滯後指標。
  • 時間序列預測會分析在不同時間間隔內收集的資料以預測未來趨勢。 

什麼是時間序列資料?

橫截面資料可觀察同一期間的個人與公司。另一方面,時間序列資料則是收集各種不同時間間隔資訊的任何資料集。該資料與其他資料不同,因為它是按時間對資料點進行排序。因此,相鄰區間內的觀測值之間可能存在關聯性。

時間序列資料可在 x 軸上具有增量改進間隔 (或時間線) 的圖表上繪製,並且可在 y 軸觀察範例資料值。這樣的時間序列圖是在可視化資料時極有價值的工具。資料科學家會利用它們找出預測資料特性。以下我們給出一些時間序列資料特性的例子:

在趨勢資料中,y 值會隨時間增加或減少,使得顯示的圖案具有線性性質。舉例來說,人口資料可能會隨時間線性增加或減少。

季節性

季節性模式發生於當時間序列資料以不到一年的時間間隔顯示規律和可預測的模式時。此資料模式可能會以尖峰或其他異常情況出現在其他線性圖上。例如,在 12 月以及 4 月的假日期間,商店的零售銷售額可能會增加。

結構性變遷

有時時間序列資料會在某個時間點突然地改變行為。時間序列圖表可能會突然上移或下移,進而造成結構性變遷或出現非線性情況。舉例來說,在 2008 年全球金融危機爆發後,許多經濟指標發生了大幅度地突然改變。

什麼是時間序列預測?

時間序列預測是資料科學技術的一種,它會利用機器學習以及其他電腦技術來研究過去的觀察並且預測時間序列資料的未來值。讓我們來看看時間序列預測的一些例子:

  • 天文資料包括幾個世紀以來行星的重複運動。您可以使用該資料準確地預測天文活動,例如日蝕和彗星。
  • 天氣預報使用風和溫度模式來預測天氣變化。
  • 科學家可以利用出生率和遷移資料來預測人口成長。

時間序列分析與時間序列預測的對照

時間序列分析會探究任何時間序列資料中的根本原因。此研究領域尋求瞭解在時間序列資料集背後的「原因」。分析師必須經常做出假設並分解或拆分資料,藉此擷取有意義的統計學以及其他特性。

時間序列分析與瞭解資料集有關,而預測則是與對資料集進行預報有關。以下是預測模型的三個步驟:

  • 提問問題並收集在過去時間間隔回答問題的時間序列資料的範例集。
  • 使用過去值訓練電腦軟體或是預測演算法。
  • 使用預測演算法進行未來的觀察。

時間序列預測是如何運作的?

資料科學家利用時間序列預測模型做出更精確的預測。他們首先會做一些探索性的資料分析,選擇最佳的預測演算法,接著使用機器學習模型進行預測。讓我們看看下面的一些常見的預測模型:

分解模型

分解模型可將時間序列資料分解或是拆分為三個元件:

  1. 趨勢元件
  2. 季節性元件
  3. 雜訊元件,該元件不屬於上述兩組元件中的任何一個

分析時間序列資料的另一個方法是將它分成兩種元件:可預測與不可預測的資料元件。

基於平滑的模型

資料平滑是統計技術的一種,需要將與其餘資料集有明顯不同的離群值或資料移除。這些預測模型會透過消除資料的隨機變動,使得基礎模式類別更加明顯。

迴歸型模型

自我迴歸是預測模型的一種,它利用對於先前時間步驟的觀察結果定義兩個資料點之間的數學關係。接下來會使用數學關係來預估未知的未來值。根據正在使用的迴歸模型,數學方程式會考慮過去的預測誤差和季節性的過往值,並且隨著時間的進展改善預測。

預測的關鍵使用案例是什麼?

預測可提供關於現今與未來的業務相關與可靠資訊。茲將預測技術的一些範例使用案例描述於下:

營運 – More Retail Limited 如何利用自動化預測產品銷售?

More Retail Ltd.(MRL) 是印度四大雜貨零售商之一,收入高達數十億美元。他們擁有廣大的商店網路和複雜的經銷商供應鏈。他們依賴店經理的人工判斷來預估與訂購庫存,但是這樣會對於客戶體驗造成影響,特別在生鮮食品方面。MRL 利用 AWS 提供的預測服務建置自動化訂購系統,可減少 30% 生鮮食品的浪費。

製造業 – 富士康如何利用預測來管理製造需求?

鴻海科技集團 (富士康) 是全球最大的電子製造商和解決方案供應商。在新型冠狀病毒肺炎疫情期間,富士康面臨著客戶需求、供應和產能方面前所未有的動盪。公司與 Amazon Machine Learning 解決方案實驗室合作,為其在墨西哥的工廠進行準確的淨訂單預測。這些預測進而使得每年節省的金額超過 50 萬美元。

客戶支援 – Affordable Tours 如何利用銷售預測改善客戶體驗?

Affordable Tours.com 是美國地區在跟團旅遊、遊輪、內河遊船以及活躍假期方面最大的旅遊業者之一。在處理客戶來電量時,他們需要費力地分配客服資源。有時我們的客服人員太多,有時客服人員的數目又太少,這會造成不一致的客戶體驗,增加未接來電率。他們使用 Amazon Forecast 更準確地預測客戶的來電量,並且改善了 20% 的未接來電率。

什麼是 Amazon Forecast?

Amazon Forecast 是一項以機器學習為基礎的全受管時間序列預測服務,專為商業指標分析而建置。您不需要任何機器學習經驗,即可開始使用。您只需提供歷史資料,以及任何您覺得可能會影響預測的其他資料。一旦您提供了所有的資料,Amazon Forecast 自動進行檢查並確定具有意義的內容。接下來,它會產生一個預測模型,使得它在進行預測時,準確度可以比單獨查看時間序列資料的模型最高多出 50% 以上。

立即建立免費 Amazon 帳戶,開始使用 AWS 免費方案。在使用 Amazon Forecast 的前兩個月,新的 AWS 客戶每月最多可收到 10,000 個時間序列預測產生;每月最多可以有 10 GB 的資料儲存空間;同時每月最多有 10 小時的訓練。

Amazon Forecast 概觀

Amazon Forecast 後續步驟

Standard Product Icons (Features) Squid Ink
查看其他產品相關資源
進一步了解 Amazon Forecast 
Sign up for a free account
註冊免費帳戶

立即存取 AWS 免費方案。 

檢視 AWS Machine Learning 免費方案 
Standard Product Icons (Start Building) Squid Ink
開始在主控台進行建置

開始在 AWS 管理主控台使用 AWS 進行建置。

登入