Paso 5: Generar y utilizar previsiones para la toma de decisiones

Una vez que disponga de un modelo que se ajuste al umbral de precisión requerido para su caso de uso específico (según lo determinado mediante pruebas de backtesting), el último paso consiste en implementar el modelo y generar previsiones. Para implementar un modelo en Amazon Forecast, debe ejecutar la API Create_Forecast. Esta acción aloja un modelo creado mediante el entrenamiento en todo el conjunto de datos histórico (a diferencia de Create_Predictor, que divide los datos en un conjunto de entrenamiento y otro de prueba). Las predicciones del modelo generadas durante el horizonte de previsión se pueden utilizar, por tanto, de dos maneras:

• Puede consultar las previsiones de un elemento en particular (especificando el elemento o la combinación de elemento/dimensión) mediante la API Query_Forecast desde AWS CLI o directamente a través de AWS Management Console.

• Puede generar las previsiones para todas las combinaciones de elementos y dimensiones en todos los cuantiles mediante la API Create_Forecast_Export_Job. Esta API genera un archivo CSV que se almacena de forma segura en la ubicación de Amazon Simple Storage Service (Amazon S3) de su elección. A continuación, puede utilizar los datos del archivo CSV y conectarlos a sus sistemas descendentes utilizados para la toma de decisiones. Por ejemplo, sus sistemas de cadena de suministro existentes pueden incorporar la producción de Amazon Forecast directamente para determinar la toma de decisiones sobre la fabricación de SKU específicos.

Previsiones probabilísticas

Amazon Forecast puede generar previsiones en diferentes cuantiles, lo que resulta especialmente útil cuando los costes de pasarse y de quedarse corto en una previsión son diferentes. Al igual que en la etapa de entrenamiento de predictores, se pueden generar previsiones probabilísticas para cuantiles entre p1 y p99.

De forma predeterminada, Amazon Forecast genera previsiones en los mismos cuantiles que se utilizan durante el entrenamiento de los predictores. Si no se especifican los cuantiles durante el entrenamiento del predictor, se generarán en los cuantiles p10, p50 y p90 de forma predeterminada.

Para la previsión p10, se espera que el valor real sea inferior al valor previsto el 10 % de las veces, y se puede utilizar la métrica wQL[0,1] para evaluar su precisión. Esto significa que la previsión del P10 está por debajo de lo previsto el 90 % de las veces y, si se utiliza para almacenar inventario, el 90 % de las veces el artículo estaría agotado. La previsión del P10 podría resultar útil cuando no haya mucho espacio de almacenamiento o el coste del capital invertido sea elevado.

nota

La definición formal de una previsión cuantílica es Pr (valor real <= previsión en el cuantil q) = q. Técnicamente, un cuantil es un percentil/100. Los expertos en estadística suelen decir "nivel del cuantil P90", ya que es más fácil decir eso que "cuantil 0,9". Por ejemplo, una previsión a un nivel del cuantil P90 significa que cabe esperar que el valor real sea inferior a la previsión el 90 % de las veces. Concretamente, si en un tiempo = t1 y a un nivel de cuantil = 0,9 el valor previsto = 30, significa que se esperaría que el valor real en el tiempo = t1, si se hubieran realizado 1000 simulaciones, fuera inferior a 30 para 900 simulaciones y superior a 30 en las 100 simulaciones restantes.

Por otro lado, la previsión del P90 es excesiva el 90 % de las veces, y resulta útil cuando el coste de oportunidad de no vender un producto es extremadamente alto o si el coste del capital invertido es bajo. Para un supermercado, por ejemplo, la previsión del P90 podría usarse para productos como leche o papel higiénico, ya que nunca es conveniente que la tienda se quede sin este tipo de productos y no le importa que siempre queden existencias en las estanterías.

Para la previsión p50 (denominada también a menudo previsión mediana), se espera que el valor real sea inferior al valor previsto el 50 % de las veces, y se puede utilizar la métrica wQL[0,5] para evaluar su precisión. Cuando el exceso de existencias no resulta demasiado preocupante y hay una demanda moderada de un producto determinado, la previsión del cuantil p50 puede resultar útil.

Visualización

Amazon Forecast permite trazar previsiones de forma nativa en la AWS Management Console. Además, puede aprovechar el paquete completo de ciencia de datos de Python (consulte los ejemplos de Amazon Forecast). Amazon Forecast permite exportar las previsiones en un archivo CSV a través de la API ExportForecastJob, lo que permite a los usuarios visualizar la previsión en la herramienta analítica que elijan.

Visualización proporcionada en la consola de Amazon Forecast en diferentes cuantiles