Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Previsión de la demanda de capacidad de carga mediante Amazon AI SageMaker
Tianxia Jia y Hengzhi Chen, Amazon Web Services ()AWS
Mayo de 2024 (historia del documento)
La previsión de la demanda es fundamental en la industria del transporte y la logística, especialmente durante los períodos de restricciones en la cadena de suministro. Las estimaciones precisas de la demanda de carga benefician a las empresas que participan en la logística y la cadena de suministro, como las que envían contenedores y cargas aéreas a través de las fronteras. Esto ayuda a las empresas a gestionar eficazmente el coste de proteger su red de transporte, lo que les ayuda a gestionar los costes de envío y a maximizar los ingresos y las ganancias.
Un modelo de aprendizaje automático (ML) capaz de realizar un pronóstico preciso depende de datos de formación de alta calidad. Para la previsión de la demanda, los datos de formación pueden incluir el volumen histórico de la demanda y otros datos generados internamente que podrían estar relacionados con el volumen, como el precio, el inventario y la plantilla del equipo de ventas. Además, los datos externos, como la competencia, el entorno del mercado, las vacaciones, el clima y la macroeconomía, también podrían afectar al volumen de la demanda. Estos factores de datos internos y externos se pueden utilizar como características en un modelo de aprendizaje automático.
Una vez identificadas todas las funciones, es posible que la empresa también desee proporcionar información sobre algunas de estas funciones que están bajo su control. Por ejemplo, la empresa puede fijar el precio de envío por adelantado o decidir cuándo realizar promociones y descuentos. Estos tipos de entradas de los usuarios se pueden incorporar al modelo al realizar la previsión.
Esta guía describe una estrategia para crear una solución AWS que haga una previsión precisa de la demanda logística mediante el uso de un modelo de aprendizaje automático. El modelo se basa en un conjunto de datos históricos que contiene el volumen de la demanda y las características relacionadas con la demanda. Estas características y métricas incluyen datos orgánicos internos y datos externos. La solución también proporciona la flexibilidad necesaria para que el usuario y el analista empresarial proporcionen información, que luego se puede incorporar al modelo de previsión.
La siguiente imagen muestra un ejemplo de una serie temporal histórica y un rango previsto de 12 meses. Puede utilizar las recomendaciones de esta guía para crear un modelo de aprendizaje automático que produzca este tipo de previsión.
