Sobre a previsão

Neste documento, previsão significa prever os valores futuros de uma série temporal: a entrada ou saída para um problema é de natureza de série temporal.

Sistema de previsão

Um sistema de previsão inclui um conjunto diversificado de usuários:

• Usuários finais, que consultam a previsão para um produto específico e decidem quantas unidades comprar; isso pode ser uma pessoa ou um sistema automatizado.

• Analistas de negócios/inteligência de negócios, que oferecem suporte aos usuários finais, executam e organizam relatórios agregados.

• Cientistas de dados, que analisam frequentemente os padrões de demanda e os efeitos causais e adicionam novos recursos para oferecer melhorias incrementais ao modelo ou aprimorar o modelo de previsão.

• Engenheiros, que configuram a infraestrutura da coleta de dados e garantem a disponibilidade dos dados de entrada no sistema.

O Amazon Forecast facilita o trabalho dos engenheiros de software e permite que empresas com recursos limitados de ciência de dados utilizem a tecnologia de previsão de última geração. Para empresas com recursos de ciência de dados, várias funcionalidades de diagnóstico estão incluídas para que os problemas de previsão sejam bem resolvidos com o Amazon Forecast.

Onde ocorrem os problemas de previsão?

Os problemas de previsão ocorrem em muitas áreas que produzem naturalmente dados de séries temporais. Isso inclui vendas de varejo, análise médica, planejamento de capacidade, monitoramento de rede de sensores, análise financeira, mineração de atividades sociais e sistemas de banco de dados. Por exemplo, a previsão desempenha um papel fundamental na automatização e otimização dos processos operacionais na maioria dos negócios que permitem a tomada de decisões orientada por dados. As previsões para oferta e demanda de produtos podem ser usadas para otimizar o gerenciamento de inventário, a escala de equipe e o planejamento de topologia. Em geral, são uma tecnologia crucial para a maioria dos aspectos da otimização da cadeia de suprimentos.

A figura a seguir contém um resumo do problema de previsão baseado em uma série temporal observada que exibe um padrão (neste exemplo, sazonalidade), e uma previsão é criada em um período especificado. O eixo horizontal representa o tempo entre o passado (esquerda) e o futuro (direita). O eixo vertical representa as unidades medidas. Dado o passado (em azul) até a linha preta vertical, identificar o futuro (em vermelho) é a tarefa de previsão.

Visão geral da tarefa de previsão

Considerações antes de tentar resolver um problema de previsão

As perguntas mais importantes a serem entendidas antes de resolver os problemas de previsão são:

• Você precisa resolver um problema de previsão?

• Por que você está resolvendo o problema de previsão?

Em vista da onipresença dos dados de séries temporais, é fácil encontrar problemas de previsão em todo lugar. No entanto, uma questão fundamental é se existe de fato a necessidade de resolver um problema de previsão ou se é possível contorná-lo completamente sem abrir mão da tomada de decisão eficiente nos negócios. Fazer essa pergunta é importante porque, cientificamente falando, a previsão está entre os problemas mais difíceis em machine learning.

Por exemplo, considere as recomendações de produtos para um varejista on-line. Esse problema de recomendação de produto pode ser enquadrado como um problema de previsão em que, para cada par de unidade de manutenção de estoque (SKU) do cliente, você prevê o número de unidades de um item específico que esse cliente específico compraria. Essa formulação do problemas tem vários benefícios. Um benefício é que o componente de tempo é levado explicitamente em consideração, para que você possa recomendar produtos de acordo com os padrões de compra dos clientes.

No entanto, os problemas de recomendação de produtos raramente são formulados como um problema de previsão, já que resolver um problema de previsão como esse é muito mais difícil (por exemplo, a escassez de informações no nível da SKU do cliente e a escala do problema) do que resolver diretamente o problema de recomendação. Portanto, ao pensar em uma aplicação de previsão, é importante considerar o uso posterior da previsão e se é possível resolver esse problema usando uma abordagem alternativa.

O Amazon Personalize pode ajudar nesses casos. O Amazon Personalize é um serviço de machine learning que permite que os desenvolvedores criem facilmente recomendações individualizadas para os clientes que usam suas aplicações.

Depois de determinar que você precisa resolver um problema de previsão, a próxima pergunta a ser feita é: por que você está resolvendo o problema de previsão? Em muitos ambientes de negócios, geralmente a previsão é apenas um meio para atingir um objetivo. Por exemplo, para previsão de demanda em um contexto de varejo, a previsão pode ser usada para tomar decisões de gerenciamento de inventário. Normalmente, o problema de previsão é uma entrada para um problema de decisão, que, por sua vez, pode ser modelado como um problema de otimização.

Exemplos desses problemas de decisão incluem o número de unidades a serem compradas ou a melhor abordagem para lidar com o inventário existente. Outros problemas de previsão de negócios incluem prever a capacidade do servidor ou a demanda por matérias-prima/peças em um contexto de fabricação. Essas previsões podem ser usadas como entradas para outros processos, seja para problemas de decisão, como acima, ou simulações de cenários, que são usadas para planejamento sem modelos explícitos. Há exceções à regra de que a previsão não é um fim em si mesma. Na previsão financeira, por exemplo, ela é usada diretamente para acumular reservas financeiras ou é apresentada aos investidores.

Para entender o propósito da previsão, considere as seguintes perguntas:

• Quanto tempo no futuro você deve prever?

• Com que frequência você precisa gerar previsões?

• Existem aspectos específicos das previsões nos quais você deve se aprofundar?