Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Prognose der Nachfrage nach Frachtkapazität mithilfe von Amazon AI SageMaker
Tianxia Jia und Hengzhi Chen, Amazon Web Services ()AWS
Mai 2024 (Geschichte der Dokumente)
Nachfrageprognosen sind in der Transport- und Logistikbranche von entscheidender Bedeutung, insbesondere in Zeiten von Lieferkettenengpässen. Genaue Schätzungen der Frachtnachfrage kommen Unternehmen zugute, die in der Logistik und Lieferkette tätig sind, beispielsweise Unternehmen, die Container und Luftfracht grenzüberschreitend versenden. Dies hilft Unternehmen dabei, die Kosten für die Sicherung ihres Transportnetzes effektiv zu verwalten, was ihnen hilft, die Versandkosten zu kontrollieren und Umsatz und Gewinn zu maximieren.
Ein Modell für maschinelles Lernen (ML), das in der Lage ist, genaue Prognosen zu erstellen, hängt von hochwertigen Trainingsdaten ab. Für die Bedarfsprognose können Trainingsdaten das historische Nachfragevolumen und andere intern generierte Daten enthalten, die sich auf das Volumen beziehen könnten, z. B. Preis, Inventar und Mitarbeiterzahl des Vertriebsteams. Darüber hinaus könnten sich auch externe Daten wie Wettbewerber, Marktumfeld, Feiertage, Wetter und Makroökonomie auf das Nachfragevolumen auswirken. Diese internen und externen Datenfaktoren können als Merkmale in einem ML-Modell verwendet werden.
Nachdem alle Funktionen identifiziert wurden, möchte das Unternehmen möglicherweise auch Informationen zu einigen dieser Funktionen bereitstellen, auf die es Einfluss hat. Das Unternehmen kann beispielsweise den Versandpreis im Voraus festlegen oder entscheiden, wann Werbeaktionen und Rabatte angeboten werden sollen. Diese Arten von Benutzereingaben können bei der Erstellung der Prognose in das Modell integriert werden.
In diesem Leitfaden wird eine Strategie beschrieben, auf der eine Lösung aufgebaut werden kann AWS , die mithilfe eines ML-Modells eine genaue Prognose der logistischen Nachfrage erstellt. Sie trainieren das Modell anhand eines historischen Datensatzes, der das Bedarfsvolumen und Merkmale im Zusammenhang mit der Nachfrage enthält. Diese Funktionen und Metriken umfassen sowohl interne organische Daten als auch externe Daten. Die Lösung bietet dem Benutzer und dem Geschäftsanalysten auch die Flexibilität, Eingaben bereitzustellen, die dann in das Prognosemodell integriert werden können.
Die folgende Abbildung zeigt ein Beispiel für eine historische Zeitreihe und einen prognostizierten Zeitraum von 12 Monaten. Sie können die Empfehlungen in diesem Handbuch verwenden, um ein ML-Modell zu erstellen, das diese Art von Prognose erstellt.
