Langkah 5: Pembuatan dan penggunaan prakiraan untuk pengambilan keputusan

Setelah Anda memiliki model yang memenuhi ambang batas akurasi yang diperlukan untuk kasus penggunaan spesifik Anda (sebagaimana ditentukan melalui backtesting), langkah terakhir melibatkan deployment model dan pembuatan prakiraan. Untuk melakukan deployment model di Amazon Forecast, Anda harus menjalankan API Create_Forecast. Tindakan ini meng-host model yang dibuat dengan melatih seluruh set data historis (tidak seperti Create_Predictor, yang membagi data menjadi set pengujian dan set pelatihan). Prediksi model yang dihasilkan di jangkauan prakiraan kemudian dapat dikonsumsi dalam dua cara:

• Anda dapat melakukan kueri prakiraan untuk item tertentu (dengan menentukan item atau kombinasi item/dimensi) menggunakan API Query_Forecast dari AWS CLI atau secara langsung melalui AWS Management Console.

• Anda dapat membuat prakiraan untuk semua kombinasi item dan dimensi di semua kuantil menggunakan API Create_Forecast_Export_Job. API ini menghasilkan file CSV yang disimpan dengan aman di lokasi Amazon Simple Storage Service (Amazon S3) pilihan Anda. Anda kemudian dapat menggunakan data dari file CSV dan memasukkannya ke sistem selanjutnya yang digunakan untuk pengambilan keputusan. Misalnya, sistem rantai pasokan yang ada dapat menyerap output dari Amazon Forecast secara langsung untuk membantu memberikan informasi dalam pengambilan keputusan seputar pembuatan SKU tertentu.

Prakiraan probabilistik

Amazon Forecast dapat membuat prakiraan pada kuantil yang berbeda, yang sangat berguna ketika biaya kurang prediksi dan prediksi berlebih berbeda. Mirip dengan tahap pelatihan prediktor, prakiraan probabilistik dapat dibuat untuk kuantil antara p1 dan p99.

Secara default, Amazon Forecast membuat prakiraan pada kuantil yang sama yang digunakan selama pelatihan prediktor. Jika kuantil tidak ditentukan selama pelatihan prediktor, prakiraan akan dibuat pada p10, p50, dan p90 secara default.

Untuk prakiraan p10, nilai sebenarnya diharapkan lebih rendah dari nilai yang diprediksi 10% dari waktu, dan metrik wQL[0,1] dapat digunakan untuk menilai keakuratannya. Ini berarti prakiraan P10 berada di bawah prakiraan 90% dari waktu, dan jika digunakan untuk inventaris stok, 90% dari waktu item akan terjual habis. Prakiraan P10 bisa berguna ketika tidak ada banyak ruang penyimpanan, atau biaya modal yang diinvestasikan tinggi.

catatan

Definisi formal dari prakiraan kuantil adalah Pr (nilai aktual <= prakiraan pada kuantil q) = q. Secara teknis kuantil adalah persentil/100. Ahli statistik cenderung mengatakan ”tingkat kuantil P90 “, karena itu lebih mudah dikatakan daripada “kuantil 0,9”. Misalnya, prakiraan tingkat kuantil P90 berarti nilai aktual dapat diperkirakan kurang dari prakiraan 90% dari waktu. Khususnya jika pada waktu=t1 dan tingkat quantile= 0,9, nilai prediksi = 30, itu berarti nilai aktual pada waktu= t1, jika Anda memiliki 1.000 simulasi, diperkirakan kurang dari 30 untuk 900 simulasi, dan untuk 100 simulasi, nilai aktual diperkirakan lebih dari 30.

Di sisi lain, prakiraan P90 adalah prakiraan berlebih 90% dari waktu, dan prakiraan ini berguna ketika biaya peluang untuk tidak menjual item sangat tinggi, atau biaya modal yang diinvestasikan rendah. Untuk toko bahan makanan, prakiraan P90 mungkin digunakan untuk sesuatu seperti susu atau tisu toilet, di mana toko tidak pernah ingin kehabisan dan tidak keberatan selalu memiliki sisa item di rak.

Untuk prakiraan p50 (sering kali juga disebut prakiraan median), nilai sebenarnya diperkirakan lebih rendah dari nilai yang diprediksi 50% dari waktu, dan metrik wQL [0,5] dapat digunakan untuk menilai keakuratannya. Ketika kelebihan stok tidak terlalu memprihatinkan, dan ada jumlah permintaan yang moderat untuk item tertentu, prakiraan kuantil p50 bisa bermanfaat.

Visualisasi

Amazon Forecast memungkinkan pembuatan grafik prakiraan secara native di AWS Management Console. Selain itu, Anda dapat memanfaatkan tumpukan ilmu data Python lengkap (lihat Contoh Amazon Forecast). Amazon Forecast memungkinkan ekspor prakiraan sebagai file CSV melalui API ExportForecastJob, yang memungkinkan pengguna untuk memvisualisasikan prakiraan dalam alat analitik pilihan mereka.

Visualisasi yang disediakan di konsol Amazon Forecast pada kuantil yang berbeda