Schritt 5: Generieren und Verwenden von Prognosen für die Entscheidungsfindung

Sobald Sie über ein Modell verfügen, das den für Ihren spezifischen Anwendungsfall erforderlichen Genauigkeitsschwellenwert (der durch Backtesting ermittelt wurde) erreicht hat, besteht der letzte Schritt darin, das Modell bereitzustellen und Prognosen zu erstellen. Um ein Modell in Amazon Forecast bereitzustellen, müssen Sie die Create_Forecast-API ausführen. Diese Aktion hostet ein Modell, das durch Trainieren mit dem gesamten historischen Datensatz erstellt wurde (im Gegensatz zur Aktion Create_Predictor, bei der die Daten in einen Trainings- und einen Testsatz aufgeteilt werden). Die über den Prognosehorizont hinweg generierten Modellprognosen können dann auf zwei Weisen verwendet werden:

• Sie können die Prognosen für einen bestimmten Artikel abfragen (indem Sie den Artikel oder die Kombination Artikel/Dimension angeben). Verwenden Sie hierzu dieQuery_Forecast-API in derAWS CLI oder greifen Sie darauf direkt über dieAWS Management Console zu.

• Mithilfe derCreate_Forecast_Export_Job-API können Sie über alle Quantile hinweg Prognosen für alle Kombinationen von Elementen und Dimensionen generieren. Diese API generiert eine CSV-Datei, die sicher an einem Amazon Simple Storage Service (Amazon S3)-Standort Ihrer Wahl gespeichert ist. Daraufhin können Sie die Daten aus der CSV-Datei verwenden und in Ihre nachgelagerten Systeme integrieren, die für die Entscheidungsfindung verwendet werden. Ihre vorhandenen Lieferkettensysteme können die Ergebnisse von Amazon Forecast beispielsweise direkt aufnehmen, um fundierte Entscheidungen zur Herstellung bestimmter SKUs zu treffen.

Probabilistische Prognosen

Amazon Forecast kann Prognosen mit unterschiedlichen Quantilen erstellen. Dies ist besonders nützlich, wenn sich die Kosten einer Unterprognose von den Kosten einer Überprognose unterscheiden. Ähnlich wie beim Training von Predictors können probabilistische Prognosen für Quantile im Bereich von p1 bis p99 generiert werden.

Standardmäßig generiert Amazon Forecast Prognosen mit den Quantilen, die auch beim Training von Predictors verwendet wurden. Wenn beim Predictor-Training keine Quantile angegeben werden, werden standardmäßig p10-, p50- und p90-Prognosen generiert.

Für die p10-Prognose wird erwartet, dass der wahre Wert in 10 % der Fälle unter dem prognostizierten Wert liegt. Zur Beurteilung der Genauigkeit kann die wQL [0,1]-Metrik verwendet werden. Das bedeutet, dass die P10-Prognose in 90 % der Fälle unter dem prognostizierten Wert liegt. Würde sie für den Lagerbestand verwendet, wäre der Artikel in 90 % der Fälle ausverkauft. Die P10-Prognose könnte bei mangelndem Lagerplatz nützlich sein oder wenn die Kosten des investierten Kapitals zu hoch sind.

Anmerkung

Die formale Definition einer Quantilprognose lautet Pr (Istwert <= Prognose bei Quantil q) = q. Aus technischer Sicht ist ein Quantil ein Perzentil/100. Statistiker neigen dazu, „P90-Quantilniveau“ zu sagen, da das einfacher auszusprechen ist als „Quantil 0,9“. Beispielsweise kann bei einer Prognose auf Quantilniveau P90 davon ausgegangen werden, dass der tatsächliche Wert in 90 % der Fälle unter dem prognostizierten Wert liegen wird. Insbesondere wenn der prognostizierte Wert bei einer Zeit t1 und einem Quantilniveau 0,9 30 ist, bedeutet das, dass der tatsächliche Wert zum Zeitpunkt t1, wenn Sie 1.000 Simulationen durchgeführt haben, für 900 Simulationen voraussichtlich unter 30 liegt, und bei 100 Simulationen wird davon ausgegangen, dass der tatsächliche Wert über 30 liegt.

Andererseits ist die P90-Prognose in 90 % der Fälle eine Überprognose, und sie ist dann nützlich, wenn die Opportunitätskosten, die aus dem Nichtverkauf eines Artikels entstehen, extrem hoch sind, oder die Kosten des investierten Kapitals niedrig sind. Ein Lebensmittelgeschäft könnte die P90-Prognose für Produkte wie Milch oder Toilettenpapier verwenden, das es nicht will, dass ihm diese Produkte ausgehen und da es nichts ausmacht, wenn auf den Regalen immer etwas Milch oder Toilettenpapier übrig bleibt.

Für die p50-Prognose (oft auch als Median-Prognose bezeichnet) wird erwartet, dass der wahre Wert in 50 % der Fälle unter dem prognostizierten Wert liegt. Zur Beurteilung der Genauigkeit kann die wQL [0,5]-Metrik verwendet werden. Die p50-Quantilprognose kann nützlich sein, wenn es nichts ausmacht, Überbestände zu haben und wenn für einen bestimmten Artikel eine mittelgroße Nachfrage verzeichnet wird.

Visualisierung

Amazon Forecast unterstützt in derAWS Management Console das native Plotten von Prognosen. Darüber hinaus können Sie den vollständigen Python-Data-Science-Stack nutzen (siehe Amazon Forecast-Beispiele). Amazon Forecast mithilfe der ExportForecastJob-API das Exportieren von Prognosen als CSV-Datei. Auf diese Weise können Benutzer die Prognose im Analyse-Tool ihrer Wahl visualisieren.

In der Amazon Forecast-Konsole bereitgestellte Visualisierung bei unterschiedlichen Quantilen