Conclusion

Januschowski et Kolassa (2019) proposent une classification des problèmes de prévision alignés sur les décisions que les entreprises doivent prendre, notamment les décisions stratégiques, tactiques, et opérationnelles. À chaque niveau de décision correspondent des tâches de prévision.

Les problèmes de prévision opérationnelle et tactique se caractérisent par le fait qu'ils contiennent de grandes quantités de données et nécessitent généralement un degré élevé d'automatisation. Différentes méthodes de prévision répondent à ces problèmes. Les méthodes de prévision locales fonctionnent généralement bien pour les problèmes de prévision stratégique, les méthodes basées sur le deep learning pour les problèmes de prévision opérationnelle, et pour les cas intermédiaires, il peut être nécessaire d'expérimenter un peu. Bien que cet article ait abordé les problèmes de prévision opérationnelle, Amazon Forecast n'a pas d'opinion arrêtée sur les modèles qu'il propose et inclut des modèles qui répondent aux problèmes de prévision stratégique, opérationnelle et tactique.

Le processus de résolution des problèmes de prévision opérationnelle peut être décomposé en étapes de base allant de la collecte et de la préparation des données à la construction et au déploiement du modèle. En général, il est plus utile de considérer cela comme un processus itératif plutôt que linéaire. Par exemple, lorsque les modèles et les cas d'utilisation sont mieux compris, il peut être utile de revenir à la phase de collecte des données. Le développement de modèles est également très itératif en soi.

Processus de développement simplifié pour la mise en production d'un modèle de prévision.