Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Prévision de la demande en matière de capacité de fret à l'aide d'Amazon SageMaker AI
Tianxia Jia et Hengzhi Chen, Amazon Web Services ()AWS
Mai 2024 (historique du document)
La prévision de la demande est essentielle dans le secteur du transport et de la logistique, en particulier pendant les périodes de contraintes liées à la chaîne d'approvisionnement. Des estimations précises de la demande de fret profitent aux entreprises impliquées dans la logistique et la chaîne d'approvisionnement, telles que celles qui expédient des conteneurs et des cargaisons aériennes au-delà des frontières. Cela permet aux entreprises de gérer efficacement les coûts de sécurisation de leur réseau de transport, ce qui les aide à gérer les coûts d'expédition et à maximiser leurs revenus et leurs profits.
Un modèle d'apprentissage automatique (ML) capable de faire des prévisions précises dépend de données d'entraînement de haute qualité. Pour la prévision de la demande, les données de formation peuvent inclure le volume de demande historique et d'autres données générées en interne qui peuvent être liées au volume, telles que le prix, les stocks et les effectifs de l'équipe commerciale. En outre, des données externes, telles que les concurrents, l'environnement du marché, les vacances, les conditions météorologiques et la macroéconomie, peuvent également affecter le volume de la demande. Ces facteurs de données internes et externes peuvent être utilisés comme fonctionnalités dans un modèle de machine learning.
Une fois toutes les fonctionnalités identifiées, l'entreprise peut également souhaiter fournir des informations sur certaines de ces fonctionnalités qui sont sous son contrôle. Par exemple, l'entreprise peut fixer le prix d'expédition à l'avance ou décider du moment où elle souhaite effectuer des promotions et des remises. Ces types d'entrées utilisateur peuvent être incorporés dans le modèle lors de l'établissement des prévisions.
Ce guide décrit une stratégie permettant de créer une solution AWS permettant d'établir une prévision précise de la demande logistique à l'aide d'un modèle ML. Vous entraînez le modèle sur un jeu de données historique qui contient le volume de demande et les fonctionnalités liées à la demande. Ces fonctionnalités et métriques incluent à la fois des données organiques internes et des données externes. La solution offre également à l'utilisateur et à l'analyste commercial la flexibilité de fournir des entrées, qui peuvent ensuite être intégrées au modèle de prévision.
L'image suivante montre un exemple de série chronologique historique et de fourchette de prévisions sur 12 mois. Vous pouvez utiliser les recommandations de ce guide pour créer un modèle de machine learning qui produit ce type de prévision.
