As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Analisador de modelos Forecast
O Forecast Model Analyzer é uma ferramenta de autoatendimento que você pode usar para executar experimentos de previsão em vários modelos de previsão (período de previsão no passado e no futuro). Depois de executado, você pode revisar os resultados dos diferentes modelos de previsão. Usando métricas de precisão e comparação visual entre as previsões e a demanda real, você pode escolher o modelo de previsão necessário que se adapte aos padrões de dados da sua empresa. Você pode executar o analisador do modelo de previsão ao mesmo tempo em que o plano de demanda de produção está em execução, sem qualquer interferência entre si ou vice-versa.
nota
O Forecast Model Analyzer é um fluxo de trabalho opcional. Se você não tiver vários modelos de previsão para comparar, poderá continuar usando as recomendações padrão do modelo de previsão fornecidas por Cadeia de Suprimentos AWS.
O analisador do modelo de previsão oferece suporte a dois cenários principais de avaliação:
Cenário de backtest — Você define a data de início da previsão no passado. Nesse cenário, as previsões são criadas e as métricas de precisão são calculadas e relatadas para os períodos de previsão de sobreposição com os períodos reais de demanda.
Cenário de previsão futura — Você não define a data de início da previsão e não há sobreposição entre a previsão e os dados reais. Nesse cenário, as previsões são criadas, mas como os dados reais de demanda não estão disponíveis (para períodos futuros), as métricas de precisão não são calculadas ou relatadas. Você ainda pode verificar como a demanda é prevista em relação à tendência recente e à demanda do (s) ano (s) anterior (s).
Certifique-se de que as configurações do plano de demanda estejam definidas antes de executar o analisador do modelo de previsão. O analisador do modelo de previsão herda as configurações do plano de demanda para intervalo de tempo e granularidade hierárquica, ao mesmo tempo em que fornece a flexibilidade de ajustar o horizonte de previsão e, opcionalmente, selecionar a data de início da previsão.
Você pode optar por executar um backtest ou um cenário de previsão futura. O padrão é um cenário de previsão futura em que você não especifica uma data de início da previsão e é baseado na data do último pedido no histórico de demanda real. Para obter mais informações, consulte Configurando o Planejamento de Demanda pela primeira vez para criar uma previsão. No entanto, se você optar por executar um cenário de backtest, poderá substituir a data de início da previsão e selecionar uma data no passado para fins de backtesting. Quando a data de início da previsão selecionada é posterior à data final do conjunto de dados outbound_order_line, a data padrão do último pedido do ciclo de planejamento no histórico de demanda real é usada. Quando a data de início da previsão selecionada for anterior à data de início da outbound_order_line ou se a extensão do histórico de demanda for insuficiente, a previsão falhará e exibirá um erro. Para obter mais informações, consulte Pré-requisitos antes de fazer o upload do seu conjunto de dados.
Recomenda-se selecionar o primeiro dia do mês para intervalos mensais ou segunda-feira para intervalos semanais. Se você escolher uma data diferente, o Planejamento da Demanda se ajustará automaticamente à data padrão mais próxima. Por exemplo, se você selecionou quarta-feira como a data de início da previsão, o Planejamento de Demanda selecionará a próxima segunda-feira como a data inicial da previsão para intervalos semanais. Da mesma forma, selecionar 10 de maio de 2024 resultará em 1º de junho de 2024 como a data de início do ciclo de planejamento para intervalos mensais.
nota
Certifique-se de ter pelo menos quatro vezes os dados históricos de demanda do período de previsão inserido.
Depois de analisar os resultados do analisador de modelo, você pode selecionar ou alterar a escolha do algoritmo de previsão na ferramenta do analisador de previsão. Como alternativa, você pode optar por não usar o analisador de modelos e continuar selecionando ou alterando diretamente a escolha do algoritmo de previsão a ser usado. Cadeia de Suprimentos AWS escolherá o método de previsão padrão para seu conjunto de dados quando o analisador de modelo não for usado.
Os modelos de previsão compatíveis estão listados abaixo:
Amazon AutoML — Amazon Forecast AutoPredictor envolve a aplicação da combinação ideal de algoritmos a cada série temporal em seus conjuntos de dados.
Amazon Moving Average — O modelo Amazon Moving Average usa a média da demanda das últimas n janelas como previsão projetada. Esse modelo pode funcionar com dados esparsos ou séries temporais com histórico curto. Esses modelos funcionam bem em conjuntos de dados com algumas séries temporais que não podem usar outros modelos.
ARIMA— A média móvel integrada autorregressiva (ARIMA) é um algoritmo estatístico comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais.
CNN-QR — Amazon Forecast CNN -QR, Convolutional Neural Network - Quantile Regression, é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais convolucionais causais (). CNNs CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais. Ele aceita metadados de itens e é o único algoritmo do Forecast que aceita dados de séries temporais relacionados sem valores futuros.
DeepAr+ — Amazon Forecast O DeepAr+ é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais recorrentes (). RNNs O DeepAR+ funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de recursos. O algoritmo aceita séries temporais prospectivas relacionadas e metadados de itens.
Light GBM — Light Gradient-Boosting Machine (LGBM) é um modelo tabular de aprendizado de máquina que usa a demanda histórica de temporadas anteriores. Esse modelo funciona melhor quando itens diferentes no mesmo conjunto de dados compartilham características semelhantes na tendência de demanda. O modelo não é adequado para conjuntos de dados cujos itens são diferentes entre si.
NPTS— O algoritmo proprietário Amazon Forecast Non-Parametric Time Series (NPTS) é um indicador de linha de base probabilístico e escalável. NPTSé especialmente útil ao trabalhar com séries temporais esparsas ou intermitentes. O Forecast fornece quatro variantes de algoritmo: StandardNPTS, SeasonalNPTS, Climatological Forecaster e Seasonal Climatological Forecaster.
Prophet — Prophet é um algoritmo de previsão de séries temporais baseado em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária. Ele funciona melhor com séries temporais que tenham fortes efeitos sazonais e várias temporadas de dados históricos.
Sazonal ARIMA — O modelo de média móvel integrada autorregressiva sazonal (SARIMA) é formado pela inclusão de termos sazonais adicionais nos ARIMA modelos. O modelo funciona melhor para séries temporais com fortes efeitos sazonais e com dados históricos de várias temporadas.
Suavização exponencial tripla — A suavização exponencial (ETS) é um algoritmo estatístico comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade. ETScalcula uma média ponderada de todas as observações no conjunto de dados da série temporal como sua previsão, com pesos exponencialmente decrescentes ao longo do tempo.
Seletor automático de modelo (s) -WAPE/MAPE/Bias/ SMAPE Otimizado — O seletor automático de modelos usa as métricas definidas pelo cliente (WAPE/MAPE/Bias/SMAPE) para escolher algoritmos para um grupo de partições definido com base na janela de backtesting configurada.
Visualizando os detalhes do analisador do modelo de previsão
Para visualizar os detalhes do analisador do modelo de previsão gerado, conclua as seguintes etapas:
No painel de navegação esquerdo do painel AWS Supply Chain, escolha Demand Planning e, em seguida, escolha Forecast Model Analyzer.
Em Forecast Model Analyzer, você pode visualizar os metadados de cada iteração do analisador de modelo, incluindo o resumo da previsão que inclui métricas importantes (como a contagem de produtos, sites, canais e clientes para os quais a previsão foi criada), o escopo da previsão, como intervalo de tempo, horizonte de previsão, data de início da previsão, lista de conjuntos de dados usados, granularidade da previsão e dados de entrada usados.
Em Forecast (s) Vs. Demanda real, você pode visualizar um gráfico que exibe o histórico real da demanda, a demanda do ano anterior e a previsão para analisar tendências e sazonalidade. Você pode ajustar o início da janela de visualização e o final da janela de visualização para revisar os períodos históricos. Dependendo do intervalo de tempo configurado, você pode ver o histórico de vendas por 28 dias, 52 semanas, 48 meses e 10 anos. Você pode visualizar e comparar até cinco resultados de previsão simultaneamente.
Em Medidas, escolha Editar para editar os modelos de previsão selecionados.
Em Visão geral e seleção do modelo, as tabelas exibem um resumo dos métodos de previsão que foram avaliados. Em um cenário de backtesting, a tabela também exibe métricas agregadas de precisão da previsão, comoWAPE,% de polarização MAPE e s. MAPE Além disso, você pode escolher Selecionar para selecionar o modelo de previsão. A alteração será aplicada durante o ciclo de previsão subsequente.
Escolha Aplicar seleção ao plano de demanda.
Você pode visualizar até dois resultados do analisador do modelo de previsão simultaneamente. O resultado mais recente do analisador permanece totalmente interativo, permitindo que você selecione e aplique o método de previsão preferido após uma avaliação cuidadosa dos produtos. Isso será aplicado na próxima geração de previsões. O resultado anterior do analisador é renderizado como somente leitura. Você pode exportar os dois resultados do método de previsão com o histórico de demanda real. Os dados exportados incluem informações detalhadas no período de previsão e no nível de granularidade, previstos pelos quantis P10/50/90. Para cenários de backtest, a exportação incluirá dados reais de demanda e métricas de precisão correspondentes.
Você pode modificar o método de seleção de previsão usando o analisador do modelo de previsão ou sob as configurações do plano de demanda a qualquer momento. As alterações serão aplicadas durante o ciclo de previsão subsequente. A página do plano de demanda mostrará metadados sobre o método de previsão do modelo de previsão atual e do próximo.
