# 關於預測
在本文件中，預測是指預測時間序列的未來值：問題的輸入或輸出具有時間序列的屬性。
## 預測系統
預測系統包含各式各樣的使用者：
+ **最終使用者**，會查詢特定產品的預測，並決定要購買多少單位；有可能是個人或自動化系統。
+ **業務分析師/商業智慧**，負責支援最終使用者，執行和組織彙總報告。
+ **資料科學家**，會反覆分析需求模式、因果關係，並添加新特徵，以逐漸改良模型或改進預測模型。
+ **工程師**，負責設定資料收集的基礎架構，並確保系統的輸入資料可供使用。
Amazon Forecast 可減輕軟體工程師的工作負擔，並且讓資料科學能力有限的企業得以運用最先進的預測技術。對於具有資料科學能力的企業，Amazon Forecast 包含許多診斷功能，因此能夠妥善解決預測問題。
## 預測問題發生於何處？
在許多會自然產生時間序列資料的領域中，都會發生預測問題。其中包括零售銷售、醫學分析、容量規劃、感應器網路監控、財務分析、社交活動探勘和資料庫系統。例如，在具備資料驅動決策能力的多數企業中，預測在自動化和最佳化營運程序方面扮演著重要角色。產品供需的預測可用於最佳庫存管理、員工排班和拓撲規劃，且一般來說，對絕大多數的供應鏈最佳化環節而言都是關鍵技術。
下圖包含預測問題的摘要，以顯現模式的觀測時間序列為基礎 (在此範例中為季節性)，對指定的期間建立預測。水平軸代表從過去 (左) 到未來 (右) 的時間。垂直軸代表測量單位。基於過去 (藍色線段) 到垂直黑線識別未來 (紅色線段)，是預測任務。
## 嘗試解決預測問題前的考量事項
在解決預測問題之前最需要了解的重要問題是：
+ 您需要解決預測問題嗎？
+ 你為何要解決預測問題？
由於時間序列資料無所不在，我們隨處都可輕易發現預測問題。然而，關鍵問題在於是否真的需要解決預測問題，或者，您是否大可規避這類問題且不犧牲有效的業務決策。提出此問題是很重要的，因為就科學上而言，預測是機器學習中最困難的問題之一。
以線上零售商的產品推薦為例。我們可將這類產品推薦問題設想為預測問題，其中，對於每個客戶/存貨單位 (SKU) 配對，您要預測該名客戶將購買之特定品項的單位數量。此問題表述有許多好處。其中一項好處是明確將時間要素納入考量，因此您可以根據客戶的購買模式推薦產品。
但是，產品推薦問題很少被制定為預測問題，因為解決此類預測問題要比直接解決建議問題困難得多 (例如，因為客戶 SKU 層級的資訊稀少，問題的規模較大)。因此，在思考預測應用程式時，請務必考慮預測的下游使用，以及是否可使用替代方法來解決此問題。
在這些情況下，[Amazon Personalize](https://aws.amazon.com/personalize/) 將有所幫助Amazon Personalize 是一款機器學習服務，能讓開發人員輕鬆利用他們的應用程式為客戶提供個人化建議。
確認您需要解決預測問題後，下一個浮現的問題是，為何要解決預測問題？ 在許多企業的設想下，預測通常只是為了達到目的的手段。以零售業的需求預測為例，預測可用來進行庫存管理決策。預測問題通常會輸入到決策問題中，繼而成為最佳化問題模型的一部分。
舉例來說，這種決策問題包括要購買的單位數量或處理現有庫存的最佳方法。其他商業預測問題包括預測伺服器容量或預測製造業的原料/零件需求。這些預測可作為其他程序的輸入 (無論是用於上述決策問題，還是用於案例模擬)，繼而用於沒有明確模型的規劃。所謂的預測本身並非目的，是有例外情況的。例如，在財務預測中，預測會直接用來建立財務儲備或提交給投資者。
若要了解預測的目的，請考量下列問題：
+ 您應預測多久之後的未來？
+ 您多久要產生一次預測？
+ 您是否應深入研究預測的某些具體層面？