Perkiraan permintaan kapasitas pengiriman dengan menggunakan Amazon AI SageMaker

Tianxia Jia dan Hengzhi Chen, Amazon Web Services ()AWS

Mei 2024 (riwayat dokumen)

Peramalan permintaan sangat penting dalam industri transportasi dan logistik, terutama selama periode kendala rantai pasokan. Perkiraan permintaan pengiriman yang akurat menguntungkan perusahaan yang terlibat dalam logistik dan rantai pasokan, seperti yang mengirimkan kontainer dan kargo udara melintasi perbatasan. Ini membantu perusahaan secara efektif mengelola biaya mengamankan jaringan transportasi mereka, yang membantu mereka mengelola biaya pengiriman dan memaksimalkan pendapatan dan keuntungan.

Model pembelajaran mesin (ML) yang mampu membuat perkiraan akurat bergantung pada data pelatihan berkualitas tinggi. Untuk peramalan permintaan, data pelatihan dapat mencakup volume permintaan historis dan data yang dihasilkan secara internal lainnya yang dapat dikaitkan dengan volume, seperti harga, inventaris, dan jumlah karyawan tim penjualan. Selain itu, data eksternal, seperti pesaing, lingkungan pasar, liburan, cuaca, dan ekonomi makro, juga dapat mempengaruhi volume permintaan. Faktor data internal dan eksternal ini dapat digunakan sebagai fitur dalam model ML.

Setelah semua fitur diidentifikasi, bisnis mungkin juga ingin memberikan masukan ke beberapa fitur ini yang berada dalam kendali mereka. Misalnya, bisnis dapat menetapkan harga pengiriman terlebih dahulu atau memutuskan kapan harus melakukan promosi dan diskon. Jenis input pengguna ini dapat dimasukkan ke dalam model saat membuat perkiraan.

Panduan ini menjelaskan strategi untuk membangun solusi AWS yang membuat perkiraan permintaan logistik yang akurat dengan menggunakan model ML. Anda melatih model pada kumpulan data historis yang berisi volume permintaan dan fitur yang terkait dengan permintaan. Fitur dan metrik ini mencakup data organik internal dan data eksternal. Solusi ini juga memberikan fleksibilitas bagi pengguna dan analis bisnis untuk memberikan masukan, yang kemudian dapat dimasukkan ke dalam model perkiraan. 

Gambar berikut menunjukkan contoh deret waktu historis dan rentang perkiraan 12 bulan. Anda dapat menggunakan rekomendasi dalam panduan ini untuk membuat model ML yang menghasilkan jenis perkiraan ini.