Principios de la previsión de serie temporal con Amazon Forecast
Fecha de publicación: 1 de septiembre de 2021 (Historial de revisión)
Actualmente, las compañías usan desde simples hojas de cálculo a software de planificación financiera complejo para intentar estimar con precisión resultados empresariales futuros, como la demanda de productos, las necesidades vinculadas con recursos y el rendimiento financiero. Este documento presenta la previsión, su terminología, los desafíos y los casos prácticos. Este documento utiliza un caso práctico para reforzar los conceptos y los pasos de previsión y hace referencia a cómo Amazon Forecast
Información general
La predicción es la ciencia de predecir el futuro. Al utilizar datos históricos, las empresas pueden comprender las tendencias, determinar qué podría suceder y cuándo y, a su vez, incorporar esa información a sus planes futuros para todo tipo de cuestiones, desde la demanda de productos hasta la planificación del inventario y la dotación de personal.
Dadas las consecuencias de la previsión, es importante que sea precisa. Si la previsión resulta excesiva, los clientes pueden invertir demasiado en mercancía y personal, lo que puede acabar generando desperdicios en la inversión. Si la previsión es demasiado baja, es posible que los clientes no inviertan lo suficiente, lo que se podría traducir en una carencia de material y en un inventario deficiente y generaría una mala experiencia para el cliente.
Hoy en día, las empresas intentan utilizar desde simples hojas de cálculo hasta complejos programas de planificación financiera y de la demanda para generar previsiones, pero sigue siendo difícil alcanzar un alto nivel de precisión por dos motivos:
-
En primer lugar, las previsiones tradicionales tienen dificultades para incorporar grandes volúmenes de datos históricos, ya que pasan por alto señales importantes del pasado que se pierden en el ruido.
-
En segundo lugar, las previsiones tradicionales no suelen incorporar datos relacionados pero independientes que pueden ofrecer un contexto importante (como precios, periodos festivos o eventos, desabastecimiento, promociones de marketing, etc.). Si no cuentan con el historial completo y un contexto más amplio, la mayoría de las previsiones no pueden predecir el futuro con precisión.
Amazon Forecast
¿Posee una buena arquitectura?
AWS Well-Architected Framework
En Machine Learning Lens nos centramos en cómo diseñar, implementar y diseñar sus cargas de trabajo de machine learning en la Nube de AWS. Esta Lens se incorpora a las prácticas recomendadas descritas en el Well-Architected Framework.
Para obtener más orientación de expertos y prácticas recomendadas para su arquitectura de nube (despliegues de arquitectura de referencia, diagramas y documentos técnicos), consulte el Centro de arquitectura de AWS