# 結論
<a name="conclusion"></a>

 [Januschowski 和 Kolassa (2019)](https://foresight.forecasters.org/product/foresight-issue-53/) 提供了與企業需要進行的決策 (包括*策略*、*戰術*和*運營*決策) 一致的預測問題分類。每個決策層級都有相對應的預測任務。 

 營運和戰術性預測問題的特點是包含大量資料，且通常需要高度的自動化。不同的預測方法可以因應這些問題。本機預測方法通常適用於策略性預測問題，以深度學習為基礎的方法適用於營運預測問題，而對介於兩者之間的問題，則可能需要一些實驗。雖然本白皮書討論營運預測問題，但 Amazon Forecast 並非僅侷限於其提供的模型，而是包含提供策略性以及營運和戰術性預測問題的模型。 

 運營預測問題解決程序可分成若干基本步驟，從資料收集和準備開始，後續是模型的建置和部署。通常，將其視為迭代程序而非線性程序，是最有用的。例如，在進一步理解模型和使用案例後，回到資料收集階段可能是合理的。模型開發本身也是高度迭代的。 

![此圖顯示將預測模型導入生產的簡化開發程序。](http://docs.aws.amazon.com/zh_tw/whitepapers/latest/time-series-forecasting-principles-with-amazon-forecast/images/simplified-development-process.png)