Tentang prakiraan

Dalam dokumen ini, prakiraan berarti prediksi nilai-nilai masa depan dari deret waktu: input atau output masalah adalah karakteristik deret waktu.

Sistem prakiraan

Sistem prakiraan mencakup berbagai macam pengguna:

• Pengguna akhir, yang melakukan kueri prakiraan untuk produk tertentu, dan memutuskan berapa banyak unit yang akan dibeli; ini dapat berupa orang atau sistem otomatis.

• Analis bisnis/inteligensi bisnis, yang mendukung pengguna akhir, menjalankan dan mengatur pelaporan agregat.

• Ilmuwan data, yang berulang kali menganalisis pola permintaan, efek sebab akibat, dan menambahkan fitur baru untuk memberikan peningkatan inkremental pada model atau memperbaiki model prakiraan.

• Rekayasawan, yang mempersiapkan infrastruktur pengumpulan data, dan memastikan ketersediaan data input ke sistem.

Amazon Forecast meringankan pekerjaan rekayasawan perangkat lunak dan memungkinkan bisnis dengan kemampuan ilmu data terbatas untuk memanfaatkan teknologi prakiraan canggih. Untuk bisnis dengan kemampuan ilmu data, sejumlah fungsi diagnostik sudah disertakan, sehingga masalah prakiraan dapat ditangani dengan baik menggunakan Amazon Forecast.

Di mana masalah prakiraan terjadi?

Masalah prakiraan terjadi di banyak bidang yang secara alami menghasilkan data deret waktu. Ini termasuk penjualan retail, analisis medis, perencanaan kapasitas, pemantauan jaringan sensor, analisis keuangan, penambangan aktivitas sosial, dan sistem basis data. Misalnya, prakiraan memainkan peran kunci dalam mengotomatisasi dan mengoptimalkan proses operasional di sebagian besar bisnis yang memungkinkan pengambilan keputusan yang didorong data. Prakiraan untuk penawaran dan permintaan produk dapat digunakan untuk manajemen inventaris yang optimal, penjadwalan staf, dan perencanaan topologi, dan lebih umum merupakan teknologi penting untuk sebagian besar aspek pengoptimalan rantai pasokan.

Gambar berikut berisi ringkasan masalah prakiraan ketika didasarkan pada pengamatan deret waktu yang menunjukkan pola (dalam contoh ini, musiman), dan prakiraan dibuat selama jangka waktu tertentu. Sumbu horizontal mewakili waktu dari masa lalu (kiri) ke masa depan (kanan). Sumbu vertikal mewakili unit yang diukur. Dengan pertimbangan masa lalu (dalam warna biru) hingga garis hitam vertikal, mengidentifikasi masa depan (dalam warna merah) merupakan tugas prakiraan.

Ikhtisar tugas prakiraan

Pertimbangan sebelum mencoba memecahkan masalah prakiraan

Pertanyaan paling penting untuk dipahami sebelum menyelesaikan masalah prakiraan:

• Apakah Anda perlu memecahkan masalah prakiraan?

• Mengapa Anda memecahkan masalah prakiraan?

Sebagai konsekuensi dari data deret waktu yang ada di mana-mana, masalah prakiraan dapat ditemukan di mana saja. Tetapi, pertanyaan utamanya adalah apakah benar-benar ada kebutuhan untuk memecahkan masalah prakiraan, atau apakah Anda dapat menghindarinya sepenuhnya tanpa mengorbankan pengambilan keputusan yang efisien dalam bisnis. Mengajukan pertanyaan ini penting karena, secara ilmiah, prakiraan adalah salah satu masalah tersulit dalam machine learning.

Misalnya, pertimbangkan rekomendasi produk untuk peretail online. Masalah rekomendasi produk ini dapat dianggap sebagai masalah prakiraan di mana, untuk setiap pasangan unit penyimpanan stok pelanggan (SKU), Anda memperkirakan jumlah unit item tertentu yang akan dibeli oleh pelanggan tertentu ini. Formulasi masalah ini memiliki sejumlah manfaat. Salah satu manfaatnya adalah, komponen waktu diperhitungkan secara eksplisit, sehingga Anda dapat merekomendasikan produk sesuai dengan pola pembelian pelanggan.

Tetapi, masalah rekomendasi produk jarang diformulasikan sebagai masalah prakiraan, karena memecahkan masalah prakiraan seperti itu jauh lebih sulit (misalnya, kurangnya informasi di tingkat SKU pelanggan dan skala masalah) dibandingkan secara langsung memecahkan masalah rekomendasi. Oleh karena itu, ketika Anda memikirkan tentang aplikasi prakiraan, penting bagi Anda untuk mempertimbangkan penggunaan prakiraan dalam langkah selanjutnya, dan apakah masalah ini dapat diatasi menggunakan pendekatan alternatif.

Amazon Personalize dapat membantu dalam kasus ini. Amazon Personalize adalah layanan machine learning yang memudahkan developer membuat rekomendasi yang dikhususkan untuk masing-masing pelanggan menggunakan aplikasi mereka.

Setelah menentukan bahwa Anda perlu memecahkan masalah prakiraan, pertanyaan berikutnya yang harus ditanyakan adalah, mengapa Anda memecahkan masalah prakiraan? Dalam banyak lingkungan bisnis, prakiraan biasanya hanyalah sarana untuk mencapai tujuan. Misalnya, untuk prakiraan permintaan dalam konteks retail, prakiraan dapat digunakan untuk membuat keputusan manajemen inventaris. Masalah prakiraan biasanya merupakan input untuk masalah keputusan, yang pada gilirannya dapat dimodelkan sebagai masalah pengoptimalan.

Contoh masalah keputusan tersebut termasuk jumlah unit yang akan dibeli atau pendekatan terbaik untuk menangani inventaris yang ada. Masalah prakiraan bisnis lainnya termasuk memperkirakan kapasitas server atau memperkirakan permintaan untuk bahan mentah/suku cadang dalam konteks manufaktur. Prakiraan ini dapat digunakan sebagai input untuk proses lain, baik untuk masalah keputusan seperti di atas, atau untuk simulasi skenario, yang kemudian digunakan untuk perencanaan tanpa model eksplisit. Ada pengecualian terhadap aturan bahwa prakiraan bukanlah tujuannya itu sendiri. Misalnya, dalam prakiraan keuangan, prakiraan digunakan langsung untuk membangun cadangan keuangan atau untuk disampaikan kepada investor.

Untuk memahami tujuan prakiraan, pertimbangkan pertanyaan-pertanyaan berikut:

• Berapa jauh di masa depan yang harus Anda perkirakan?

• Seberapa sering Anda perlu membuat prakiraan?

• Apakah ada aspek spesifik dari prakiraan yang harus Anda pahami secara mendalam?