Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Previsione della domanda di capacità di trasporto utilizzando Amazon AI SageMaker
Tianxia Jia e Hengzhi Chen, Amazon Web Services ()AWS
Maggio 2024 (storia del documento)
La previsione della domanda è fondamentale nel settore dei trasporti e della logistica, specialmente durante i periodi di vincoli della catena di approvvigionamento. Le stime accurate della domanda di trasporto avvantaggiano le aziende coinvolte nella logistica e nella catena di approvvigionamento, come quelle che spediscono container e merci aeree attraverso le frontiere. Ciò aiuta le aziende a gestire in modo efficace i costi di protezione della propria rete di trasporto, il che le aiuta a gestire i costi di spedizione e massimizzare ricavi e profitti.
Un modello di machine learning (ML) in grado di effettuare previsioni accurate dipende da dati di formazione di alta qualità. Per la previsione della domanda, i dati di formazione possono includere il volume storico della domanda e altri dati generati internamente che potrebbero essere correlati al volume, come prezzo, inventario e organico del team di vendita. Inoltre, anche i dati esterni, come quelli relativi alla concorrenza, al contesto di mercato, alle festività, alle condizioni meteorologiche e alla macroeconomia, potrebbero influire sul volume della domanda. Questi fattori di dati interni ed esterni possono essere utilizzati come funzionalità in un modello di machine learning.
Dopo aver identificato tutte le funzionalità, l'azienda potrebbe anche voler fornire input su alcune di queste funzionalità che sono sotto il proprio controllo. Ad esempio, l'azienda può impostare in anticipo il prezzo di spedizione o decidere quando fare promozioni e sconti. Questi tipi di input dell'utente possono essere incorporati nel modello durante la previsione.
Questa guida descrive una strategia su cui costruire una soluzione in AWS grado di effettuare una previsione accurata della domanda logistica utilizzando un modello ML. Il modello viene addestrato su un set di dati storico che contiene il volume della domanda e le funzionalità correlate alla domanda. Queste funzionalità e metriche includono sia dati organici interni che dati esterni. La soluzione offre inoltre la flessibilità necessaria all'utente e all'analista aziendale per fornire input, che possono poi essere incorporati nel modello previsionale.
L'immagine seguente mostra un esempio di serie temporale storica e di un intervallo previsto a 12 mesi. È possibile utilizzare i consigli di questa guida per creare un modello di machine learning che produca questo tipo di previsione.
