Predicción de demanda con Amazon Forecast - Fin de las nuevas altas, migración a SageMaker Canvas y funcionamiento de la predicción de series temporales
Amazon Forecast dejó de aceptar nuevos usuarios el 29 de julio de 2024 (los usuarios existentes pueden seguir usándolo). Explicamos la migración a la predicción de series temporales de SageMaker Canvas, el sucesor oficial, así como la construcción de modelos / la predicción probabilística / la estructura de cobro de Forecast.
Fin de las nuevas altas y destino de la migración
Amazon Forecast dejó de aceptar nuevos clientes a partir del 29 de julio de 2024. AWS indica oficialmente que los usuarios existentes pueden seguir usando el servicio como hasta ahora y que continuará con las mejoras de seguridad / disponibilidad / rendimiento, pero que no tiene previsto añadir nuevas funciones. Si va a empezar ahora con la predicción de series temporales, el sucesor oficial es la función de predicción de series temporales de Amazon SageMaker Canvas. La publicación del blog oficial de AWS «Transition your Amazon Forecast usage to Amazon SageMaker Canvas» presenta el enfoque y los pasos de la migración. Los intervalos de predicción de SageMaker Canvas son 1 minuto / 5 minutos / 15 minutos / 30 minutos / 1 hora / 1 día / 1 semana / 1 mes / 1 año. Su concepto de entrada, con una columna de marca de tiempo / una columna objetivo / una columna de ID de artículo, también es casi igual al de Forecast, por lo que puede trasladar el diseño de datos tal cual. Además, admite la comparación de algoritmos en la tabla de clasificación de modelos y la automatización mediante la API de AutoML. Este artículo se conserva como material de operación para entornos de Forecast existentes y como documento histórico que registra el diseño que adoptó Forecast. Lea los mecanismos y las cifras que se tratan a continuación como referencia para las decisiones de operación en entornos existentes y para la correspondencia al migrar a SageMaker Canvas.
Desafíos de la predicción de demanda y el lugar de Forecast
La predicción de demanda es un desafío importante en muchos sectores, como el comercio minorista, la logística, la fabricación y la energía. Los métodos estadísticos tradicionales (media móvil, suavizado exponencial, ARIMA) son relativamente fáciles de implementar, pero tienen límites para captar patrones complejos como la estacionalidad / las tendencias / la influencia de factores externos. Los métodos basados en aprendizaje profundo (DeepAR, Transformer) son de alta precisión, pero requieren conocimientos especializados de ML y ajuste de modelos. Forecast es un servicio que empezó a ofrecerse en agosto de 2019. Su rasgo era un planteamiento pragmático: bastaba con importar los datos de series temporales y AutoML comparaba varios algoritmos y elegía mediante backtesting el modelo de mayor precisión. El diseño que devuelve intervalos de predicción P10, P50 y P90 mediante la predicción probabilística y respalda decisiones que tienen en cuenta el riesgo a través de la cuantificación de la incertidumbre también era el núcleo de los servicios de predicción administrados de esta generación. La idea de tratar una predicción no como «un único número» sino como «una distribución» se ha heredado en el sucesor, SageMaker Canvas, por lo que comprender el diseño de Forecast también resulta directamente útil para el diseño después de la migración.
Preparación de datos y construcción del modelo de predicción
El uso de Forecast empieza con la importación a un grupo de conjuntos de datos (Dataset Group). La serie temporal objetivo (obligatoria) son los datos que se van a predecir y consta de tres columnas: marca de tiempo, ID de artículo y valor (unidades vendidas, cantidad demandada). La serie temporal relacionada (opcional) contiene factores externos como datos meteorológicos, información de promociones y cambios de precio. Los metadatos de artículos (opcionales) son atributos de los artículos, como la categoría, la marca y el color, y se aprovechan para compartir patrones entre artículos similares. Los datos se colocan en S3 en formato CSV y en la definición del esquema (JSON) se especifican el tipo de atributo y el tipo de datos de cada columna. La granularidad de la marca de tiempo se especifica como una combinación de un entero + una unidad. Tanto DataFrequency en el lado del conjunto de datos como ForecastFrequency en el lado de la predicción usan un formato común. Los minutos toman el rango de 1 a 59, las horas de 1 a 23, los días de 1 a 6, las semanas de 1 a 4, los meses de 1 a 11 y los años 1. También son válidas especificaciones como 15min (cada 15 minutos) o 2W (cada dos semanas) (valores indicados en la referencia de la API a fecha de agosto de 2026). Sin embargo, no se pueden especificar valores que coincidan con la unidad inmediatamente superior, como 60 minutos = 1 hora. Se configura según los requisitos de negocio y se hace coincidir con la unidad del horizonte de predicción. Un grupo de conjuntos de datos admite un conjunto de datos de cada tipo, con un máximo de tres, y la serie temporal objetivo admite un máximo de 13 columnas, formadas por 3 columnas obligatorias + 10 columnas de dimensiones de predicción adicionales. Como existen estas restricciones, el diseño de dimensiones se fija desde el principio. AutoML construye modelos con seis algoritmos, DeepAR+, Prophet, ETS, NPTS, ARIMA y CNN-QR, y selecciona automáticamente mediante backtesting el modelo de mayor precisión.
Predicción probabilística y análisis What-If
Forecast ofrece no solo predicciones puntuales (un único valor de predicción), sino también predicciones probabilísticas (que incluyen la incertidumbre de la predicción). De forma predeterminada, genera predicciones en tres cuantiles: P10 (probabilidad del 10% de que la demanda quede por debajo de este valor), P50 (la mediana) y P90 (probabilidad del 90% de que la demanda quede por debajo de este valor). Los cuantiles no están fijados en los valores predeterminados. Según la referencia oficial de la API, con ForecastTypes se pueden especificar hasta cinco cuantiles de 0.01 a 0.99 en incrementos de 0.01, y también se puede especificar mean, que devuelve el valor medio (valores indicados a fecha de agosto de 2026). En la gestión de inventario, es posible usar P50 para decidir la cantidad de pedido habitual y P90 para fijar el stock de seguridad. Respalda decisiones acordes con los requisitos de negocio, como hacer pedidos con base en P90 para los productos cuyo riesgo de rotura de stock no se puede tolerar y con base en P50 para los productos en los que se desea minimizar el coste de inventario. Sin embargo, el número de cuantiles especificados es proporcional al número de puntos de datos de predicción generados e influye directamente en el cobro que se describe más adelante, por lo que la clave práctica es elegir solo los cuantiles necesarios. Con el análisis What-If se pueden generar predicciones de escenarios como «la demanda si se realiza una promoción el mes que viene» o «la demanda si se baja el precio un 10%». Se pueden evaluar en paralelo varios escenarios con valores de la serie temporal relacionada modificados y evaluar de antemano de forma cuantitativa el efecto de las medidas.
Mejora de la precisión de la predicción
La precisión de la predicción de Forecast depende en gran medida de la calidad de los datos de entrada y de la riqueza de los datos relacionados. Al añadir datos de series temporales relacionadas (clima, días festivos, promociones), el modelo aprende las fluctuaciones de la demanda debidas a factores externos y la precisión mejora. Forecast incluye información integrada de días festivos (caracterización Holidays), y con solo especificar el código de país tiene en cuenta automáticamente el efecto de los principales días festivos. Los metadatos de artículos (categoría, marca, rango de precios) son eficaces para mitigar el problema del cold start (la predicción de productos nuevos), y estiman el patrón de demanda de los productos nuevos a partir del historial de artículos similares. Los resultados del backtesting del Predictor proporcionan las métricas de precisión WAPE (Weighted Absolute Percentage Error), RMSE (Root Mean Squared Error) y MAPE (Mean Absolute Percentage Error), lo que permite juzgar cuantitativamente la calidad del modelo. La métrica usada para la optimización se puede elegir entre WAPE / RMSE / MASE / MAPE / AverageWeightedQuantileLoss con OptimizationMetric de la referencia oficial de la API. Por ello, la métrica se alinea según si se da más peso al coste de rotura de stock o al coste de inventario. Se pueden configurar hasta cinco ventanas de backtesting y, al validar en periodos separados, se puede obtener una evaluación que no se deja arrastrar por la casualidad de un único periodo. Si la precisión no es suficiente, se busca mejorarla añadiendo series temporales relacionadas, preprocesando los datos (completar valores faltantes, eliminar valores atípicos) y cambiando la frecuencia de predicción.
Casos de uso y aplicación en distintos sectores
Forecast se ha utilizado en una amplia variedad de sectores, como el comercio minorista, la fabricación, la logística y la energía. En el comercio minorista, la predicción de demanda a nivel de SKU optimiza la ubicación del inventario y reduce tanto el exceso de stock como las roturas de stock. En la fabricación, la predicción de las cantidades de pedido de materias primas sirve para elaborar planes de compra que tienen en cuenta el plazo de aprovisionamiento y contribuye a optimizar los costes de toda la cadena de suministro. En la logística, la predicción de la demanda de turnos de los trabajadores optimiza la dotación de personal y evita la falta de personal en temporada alta y el excedente en temporada baja. En el sector energético, la predicción del consumo eléctrico sirve para elaborar planes de generación y respalda una gestión de la red que responde a las fluctuaciones de la producción de energías renovables. En los servicios web, también se puede aplicar a la planificación de capacidad de servidores y se aprovecha para optimizar la configuración de Auto Scaling basada en predicciones de tráfico. Todos estos diseños se reducen a la forma común «serie temporal por ID de artículo + series temporales relacionadas de factores externos», por lo que, incluso si implementa el mismo uso desde cero, puede diseñarlo sustituyéndolo directamente por la predicción de series temporales de SageMaker Canvas.
Precios y limitaciones a tener en cuenta
El cobro se compone de cinco ejes (a fecha de agosto de 2026 / regiones Norte de Virginia y Tokio; según la medición con AWS Price List API, el importe es el mismo en ambas regiones). El primero es el número de predicciones generadas, a 0.60 USD por cada 1,000. El segundo es el número de puntos de datos de predicción generados, con un sistema escalonado mensual. Cuesta 2.00 USD por cada 1,000 para menos de 100,000, 0.80 USD para más de 100,000 y menos de 1,000,000, 0.20 USD para más de 1,000,000 y menos de 50,000,000, y 0.02 USD para más de 50,000,000. El tercero es el tiempo de entrenamiento, a 0.24 USD por hora, y el cuarto es el volumen de ingesta de datos, a 0.088 USD por GB. Estos 0.088 USD son una tarifa que se cobra una sola vez en la ingesta, no una tarifa de almacenamiento mensual que se cobra mientras se siguen guardando los datos. El quinto es el número de generaciones de explicabilidad (Explainability), con un sistema escalonado desde 2.00 USD por cada 1,000 para menos de 50,000 al mes hasta 0.15 USD para más de 10,000,000. Consulte la lista más reciente, incluidos los valores límite de los escalones, en la página oficial de precios de Amazon Forecast. Lo que determina el importe facturado no es el número de artículos en sí, sino el número de puntos de datos, determinado por número de artículos × horizonte de predicción × número de cuantiles especificados, por lo que la estimación siempre se construye a partir de esta multiplicación. Como AutoML entrena varios modelos, el coste de entrenamiento es mayor que cuando se especifica el algoritmo manualmente. Si la precisión de la predicción es suficiente, se reduce el coste cambiando la frecuencia de entrenamiento de semanal a mensual. En cuanto a las limitaciones, según la lista oficial de cuotas (valores indicados a fecha de agosto de 2026), hay 500 grupos de conjuntos de datos y 500 Predictors (en ambos casos se puede solicitar un aumento) y 500 AutoPredictors (no se puede aumentar). La importación de conjuntos de datos tiene como límite un tamaño acumulado de 30 GB de todos los archivos del bucket de S3 (se puede solicitar un aumento) y 10,000 archivos (no se puede aumentar). Lo que determina el horizonte de predicción no es la granularidad, sino la longitud de la serie. En un AutoPredictor nuevo, es el menor entre 500 pasos de tiempo y 1/4 de la longitud de la serie temporal objetivo. En el reentrenamiento de un AutoPredictor existente y en CNN-QR / DeepAR+ / AutoML de los predictors heredados, es el menor entre 500 y 1/3, y en ETS / NPTS / Prophet / ARIMA, es el menor entre 500 y la longitud de la serie menos 1. El entrenamiento puede requerir varias horas con conjuntos de datos grandes (millones de filas), por lo que se deja margen en el calendario de operación.
Resumen
Como servicio administrado que construye automáticamente modelos de ML a partir de datos de series temporales, Forecast adoptó un diseño que cubre con AutoML los límites de los métodos estadísticos tradicionales y elige mediante backtesting el modelo óptimo entre seis algoritmos. Forecast aumentaba la precisión con datos de series temporales relacionadas e información integrada de días festivos, devolvía de forma predeterminada intervalos de predicción P10/P50/P90 mediante la predicción probabilística y respaldaba la comparación de escenarios con el análisis What-If. Este planteamiento se ha aplicado ampliamente, desde la optimización del inventario en el comercio minorista hasta la planificación de compras en la fabricación y la gestión de la red en la energía. La aceptación de nuevos usuarios terminó el 29 de julio de 2024, por lo que, si va a empezar ahora con la predicción de demanda, el camino oficial es comenzar con la función de predicción de series temporales de SageMaker Canvas. Si opera un entorno de Forecast existente, los puntos clave en la práctica son comprender la estructura de cobro basada en el número de puntos de datos y estudiar un plan de migración partiendo de que no está previsto añadir nuevas funciones. Si tiene acumulado un historial de ventas de un año o más, conviene empezar por validar la precisión de la predicción en SageMaker Canvas con los mismos datos.
Referencias (recursos oficiales de AWS)
Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.
- Amazon Forecast (página oficial)
- Amazon S3 (página oficial)
- Amazon Quick (página oficial)
- Documentación de AWS (oficial)
Si esta página y la documentación oficial difieren, prevalece la documentación oficial.