As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Previsão da demanda por capacidade de frete usando a Amazon AI SageMaker
Tianxia Jia e Hengzhi Chen, Amazon Web Services ()AWS
Maio de 2024 (histórico do documento)
A previsão de demanda é fundamental no setor de transporte e logística, especialmente durante períodos de restrições na cadeia de suprimentos. Estimativas precisas da demanda de frete beneficiam empresas envolvidas na logística e na cadeia de suprimentos, como aquelas que transportam contêineres e cargas aéreas através das fronteiras. Isso ajuda as empresas a gerenciar com eficácia o custo de proteger sua rede de transporte, o que as ajuda a gerenciar os custos de envio e maximizar a receita e o lucro.
Um modelo de aprendizado de máquina (ML) capaz de fazer uma previsão precisa depende de dados de treinamento de alta qualidade. Para a previsão da demanda, os dados de treinamento podem incluir o volume histórico da demanda e outros dados gerados internamente que podem estar relacionados ao volume, como preço, estoque e número de funcionários da equipe de vendas. Além disso, dados externos, como concorrentes, ambiente de mercado, feriados, clima e macroeconomia, também podem afetar o volume da demanda. Esses fatores de dados internos e externos podem ser usados como recursos em um modelo de ML.
Depois que todos os recursos forem identificados, a empresa também pode querer fornecer informações sobre alguns desses recursos que estão sob seu controle. Por exemplo, a empresa pode definir o preço do frete com antecedência ou decidir quando fazer promoções e descontos. Esses tipos de entradas do usuário podem ser incorporados ao modelo ao fazer a previsão.
Este guia descreve uma estratégia para criar uma solução AWS que faça uma previsão precisa da demanda logística usando um modelo de ML. Você treina o modelo em um conjunto de dados histórico que contém volume de demanda e características relacionadas à demanda. Esses recursos e métricas incluem dados orgânicos internos e dados externos. A solução também oferece flexibilidade para que o usuário e o analista de negócios forneçam informações, que podem ser incorporadas ao modelo de previsão.
A imagem a seguir mostra um exemplo de uma série temporal histórica e um intervalo previsto de 12 meses. Você pode usar as recomendações deste guia para criar um modelo de ML que produza esse tipo de previsão.
