Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Data untuk memperkirakan permintaan pengiriman
Data berkualitas tinggi sangat penting untuk setiap model ML untuk membuat prediksi dan perkiraan yang bermakna. Untuk perkiraan permintaan, dataset terdiri dari data yang relevan yang dapat mempengaruhi permintaan akhir. Data ini bisa berasal dari berbagai sumber. Anda dapat mengklasifikasikan data ini menjadi dua kategori, data internal dan eksternal.
Data internal
Data internal adalah data organik yang dihasilkan bisnis. Data ini biasanya disimpan di gudang data, seperti Amazon Redshift.
Anda dapat langsung menghasilkan atau mengekstrak nilai output target dari tabel di gudang data yang berisi volume historis untuk produk yang diminati. Untuk perusahaan pelayaran, output atau nilai target dapat dalam satuan muatan kontainer penuh untuk pengiriman laut atau berat total untuk kargo udara.
Anda juga dapat menghasilkan berbagai metrik bisnis historis. Ini dapat digunakan sebagai fitur dalam model pembelajaran mesin saat memperkirakan permintaan. Contoh fitur termasuk harga historis, biaya, kapasitas, dan inventaris.
Data eksternal
Sumber data eksternal dapat digunakan sebagai fitur tambahan untuk meningkatkan akurasi perkiraan. Contoh sumber data eksternal termasuk data cuaca, data ekonomi makro, data industri, dan data pasar. Faktor-faktor ini dapat berdampak langsung atau tidak langsung terhadap industri logistik dan transportasi, sehingga mempengaruhi permintaan. Misalnya, tarif pengiriman pasar memberikan tolok ukur pasar pengiriman global, yang pada akhirnya mempengaruhi permintaan spesifik perusahaan. Data ekonomi makro, seperti data impor dan ekspor untuk ekonomi utama, juga dapat digunakan sebagai ukuran aktivitas pasar. Untuk menggabungkan sumber data eksternal ini, Anda dapat menggunakan berbagai API untuk mencerna data. Misalnya, St. Louis Fed menyediakan Federal Reserve Economic
Data (FRED) API
