# Fase 5: generazione e uso di previsioni per il processo decisionale
Una volta ottenuto un modello che soddisfa la soglia di precisione necessaria per il caso d'uso specifico (in base al backtesting), la fase finale comporta l'implementazione del modello e la generazione di previsioni. Per implementare un modello in Amazon Forecast, devi eseguire l'API Create\_Forecast. Questa azione ospita un modello creato tramite l'addestramento sull'intero set di dati cronologico, diversamente da `Create_Predictor`, che divide i dati in un set di addestramento e uno di test. Le previsioni del modello generate nell'orizzonte di previsione possono quindi essere utilizzate in due modi:
+ Puoi eseguire query sulle previsioni per un determinato articolo (specificando l'articolo o la combinazione di articolo/dimensione) tramite l'API `Query_Forecast` dall'[*AWS CLI*](https://aws.amazon.com/cli) o direttamente tramite la [*Console di gestione AWS*](https://aws.amazon.com/console).
+ Puoi generare le previsioni per tutte le combinazioni di articoli e dimensioni in tutti i quantili usando l'API `Create_Forecast_Export_Job`. Questa API genera un file CSV che viene archiviato in modo sicuro in una posizione a tua scelta in [Amazon Simple Storage Service](https://aws.amazon.com/s3) (Amazon S3). Puoi quindi usare i dati del file CSV e inserirli nei sistemi a valle usati per il processo decisionale. Ad esempio, i sistemi della catena di approvvigionamento esistenti possono importare direttamente l'output di Amazon Forecast per orientare il processo decisionale riguardo alla produzione di SKU specifici.
## Previsioni probabilistiche
Amazon Forecast può generare previsioni a diversi quantili, un'opzione particolarmente utile quando i costi delle previsioni sottostimate e di quelle sovrastimate sono diversi. Analogamente alla fase di addestramento dei predittori, vengono generate previsioni probabilistiche per quantili compresi tra p1 e p99.
Per impostazione predefinita, Amazon Forecast genera previsioni agli stessi quantili usati durante l'addestramento dei predittori. Se i quantili non vengono specificati durante l'addestramento dei predittori, per impostazione predefinita le previsioni vengono generate ai quantili p10, p50 e p90.
Per la previsione p10, l'effettivo valore sarà probabilmente inferiore al valore previsto il 10% delle volte ed è possibile usare la metrica wQL[0,1] per valutarne la precisione. Di conseguenza, la previsione p10 è sottostimata il 90% delle volte e, se usata per rifornire l'inventario, il 90% delle volte l'articolo risulterà esaurito. La previsione p10 può essere utile quando lo spazio in magazzino è ridotto o il costo del capitale investito è elevato.
**Nota**
La definizione formale di una previsione quantilica è Pr(valore effettivo <= previsione al quantile q) = q. Tecnicamente un quantile è un percentile/100. Gli statistici tendono a dire "livello di quantile p90", perché è più facile rispetto a "quantile 0,9". Ad esempio, una previsione a livello di quantile p90 significa che ci possiamo aspettare che il valore effettivo sia inferiore alla previsione il 90% delle volte. In particolare se in corrispondenza di tempo = t1 e livello di quantile = 0,9 il valore previsto = 30, ci aspetteremo che il valore effettivo in corrispondenza di tempo = t1 con 1.000 simulazioni sia inferiore a 30 per 900 simulazioni e superiore a 30 per 100 simulazioni.
D'altro canto, la previsione p90 è una previsione sovrastimata il 90% delle volte, utile quando il costo opportunità della mancata vendita di un articolo è estremamente elevato o il costo del capitale investito è basso. Per un negozio di alimentari, la previsione p90 potrebbe essere usata per prodotti come il latte o la carta igienica, di cui il negozio non vuole mai essere sprovvisto e non si preoccupa di averne sempre una certa quantità disponibile.
Per la previsione p50 (nota spesso come previsione mediana), il valore reale è in genere inferiore al valore previsto il 50% delle volte ed è possibile usare la metrica wQL[0,5] per valutarne la precisione. Quando l'eccesso di scorte non è motivo di preoccupazione e vi è una domanda moderata per un determinato articolo, la previsione quantilica p50 può essere una scelta utile.
## Visualizzazione
Amazon Forecast permette di rappresentare le previsioni in modo nativo nella Console di gestione AWS. Inoltre, puoi trarre vantaggio dallo stack di data science Python completo (consulta [*Amazon Forecast Examples*](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb)). Amazon Forecast esegue l'esportazione delle previsioni come file CSV tramite l'API `ExportForecastJob`, che permette agli utenti di visualizzare la previsione nel proprio strumento di analisi preferito.
