Identifique las fuentes de datos, los KPI objetivo y los horizontes de previsión en una sesión de 90 minutos.
Limpie y cargue los datos en Amazon Forecast, compare algoritmos y valide la precisión en conjuntos de retención.
Automatice las canalizaciones diarias con Lambda y Step Functions, exponga los resultados a través de API y paneles.
Vuelva a entrenar los modelos, añada nuevas señales e implemente casos de uso como la detección de anomalías o la optimización de precios.
Directora de operaciones, FreshMart
Precisión media de previsión del 94 por ciento en todos los proyectos piloto
Reducción del 30 por ciento del capital circulante inmovilizado en inventario
El prototipo de modelo de abandono carecía de precisión, escala y explicabilidad: los propietarios de los estudios no tenían ninguna advertencia temprana cuando era probable que los miembros cancelaran.
Avahi reconstruyó la plataforma en Amazon SageMaker, reemplazando el árbol de decisión con un modelo XGBoost ajustado y una canalización MLOps automatizada que ofrece predicciones en tiempo real y explicaciones LIME.
Precisión de validación de 0,846 AUC en el nuevo modelo
Predicciones en tiempo real con los factores de abandono a nivel de miembro que aparecen a través de LIME
El reentrenamiento mensual automatizado (o en caso de caída del rendimiento) mantiene los modelos actualizados
El flujo de trabajo integral de SageMaker permite a los estudios actuar de forma proactiva para reducir la rotación
Cuantos más, mejor, pero muchas pymes obtienen buenos resultados con entre 12 y 24 meses de datos limpios.
Sí. Combinamos cualquier señal relevante para mejorar la precisión.
Usted paga por la ingesta de datos, el tiempo de entrenamiento y el número de previsiones generadas. La mayoría de los clientes pequeños y medianos gastan menos que con las herramientas de BI tradicionales.
