Apa yang dimaksud dengan perkiraan deret waktu?

Perkiraan deret waktu adalah jenis pendekatan statistik atau machine learning yang mencoba membuat model data deret waktu historis untuk membuat prediksi tentang titik waktu pada masa mendatang.

Mulai secara gratis

Tantangan perkiraan deret waktu

Dibandingkan dengan jenis model lainnya, perkiraan deret waktu memiliki sejumlah tantangan unik, seperti tren musiman, efek musim liburan, ketersebaran data, dan tren yang terus berubah. Banyak teknik machine learning tidak berfungsi dengan baik dalam situasi ini karena deret waktu dibentuk oleh urutan dan korelasi temporal. Misalnya, validasi silang k-fold dapat menyebabkan kebocoran data. Model perlu dilatih ulang untuk membuat perkiraan baru. Menyeimbangkan overfitting dan underfitting sangatlah rumit tanpa kemampuan untuk mengacak dimensi waktu. Untuk membuat perkiraan item yang jumlahnya dapat mencapai jutaan, skalabilitas dari setiap solusi perkiraan juga harus dipertimbangkan. Tugas selain perkiraan mungkin penting untuk bisnis, seperti deteksi anomali, kuantifikasi ketidakpastian, dan inferensi kausal. Perkiraan deret waktu bukan sekadar supervised learning terhadap data dengan stempel waktu. Untungnya, Google Cloud menawarkan berbagai solusi untuk setiap kebutuhan bisnis.

Misalnya, sebuah toko retail besar perlu membuat perkiraan untuk jutaan item sehingga inventaris akan tersedia saat permintaan tinggi dan tidak kelebihan stok saat permintaan rendah.

Kasus penggunaan perkiraan deret waktu

Perkiraan permintaan dan perencanaan kapasitas

Perkiraan permintaan retail untuk produk

Bangun solusi menyeluruh untuk membuat perkiraan permintaan produk retail. Gunakan data penjualan historis untuk melatih model perkiraan permintaan menggunakan BigQuery ML, lalu visualisasikan nilai perkiraan di dasbor Looker Studio untuk dibagikan kepada pemangku kepentingan. Pelajari cara membuat solusi perkiraan permintaan yang dapat diskalakan ke jutaan produk menggunakan Google Cloud dengan pola referensi perkiraan permintaan kami. Anda juga dapat mempelajari cara perkiraan permintaan dapat mengurangi sampah makanan dengan pola referensi kami.

Perkiraan harga komoditas

Model deret waktu digunakan untuk memperkirakan harga komoditas yang penting bagi operasi bisnis dan proses produksi Anda, serta melandasi model arus kas dan rencana keuangan.

Perkiraan arus kas

Model deret waktu biasanya dikombinasikan dengan model regresi dan klasifikasi untuk menghasilkan perkiraan arus kas yang sangat akurat berdasarkan deret waktu akuntansi historis beserta input dari data transaksional dan kewajiban kontrak. Di sini Anda dapat menggunakan ARIMA_PLUS dengan BigQuery ML dan menggabungkannya dengan model yang diawasi di BigQuery ML, seperti GLM, model pohon dengan penguatan, dan AutoML.

Perkiraan supply chain
- Ada banyak faktor yang berpotensi mendorong permintaan. Untuk pusat distribusi, mempersiapkan diri lebih awal adalah kunci untuk memenuhi permintaan konsumen. Pelajari cara Vertex AI Forecast membantu pusat distribusi supply chain membangun model yang dapat mencakup sinyal dari cuaca, ulasan produk, indikator makroekonomi, tindakan pesaing, harga komoditas, biaya kargo, biaya ekspedisi pengiriman laut, dan lainnya.

Deteksi anomali

Deteksi anomali dengan perkiraan permintaan

Saat musim liburan, perayaan hari besar, atau penjualan akhir tahun, terkadang ada lonjakan permintaan yang mudah diprediksi. Namun, bagaimana ketika ada lonjakan (atau penurunan) permintaan yang tidak terduga? Misalnya, bagaimana cara mendeteksi permintaan yang sangat tinggi (atau sangat rendah) di luar dugaan? Pelajari cara menggunakan deteksi anomali dengan BigQuery ML untuk mendeteksi anomali lonjakan permintaan dalam penyewaan sepeda yang terjadi bertepatan dengan hari saat transportasi umum di kota London terganggu.

Kontrol kualitas dan pemantauan metrik manufaktur

Mulai dari sensor IoT hingga output produksi, pemantauan metrik dapat dilakukan dalam berbagai bentuk. Namun, elemen yang umum adalah memperkirakan rentang standar metrik ini sehingga Anda dapat merencanakan di awal dan merespons secepat mungkin dengan sistem pemantauan yang ada.

Kasus penggunaan umum lainnya untuk deteksi anomali mencakup anomali harga karena kesalahan pemberian harga, deteksi anomali real-time, dan kontrol kualitas manufaktur.

Inferensi kausal

Efektivitas iklan

Seberapa efektif iklan Anda dalam menghasilkan dampak positif bagi bisnis? Inferensi kausal dapat membantu Anda menganalisis data statistik yang signifikan dari kampanye iklan.

Dampak peristiwa besar pada deret waktu

Penting bagi Anda untuk mengetahui apakah dampak peristiwa besar, seperti Brexit, pada deret waktu signifikan secara statistik. Pelajari lebih lanjut cara melakukan inferensi kausal untuk menjawab "Bagaimana pengaruh suara Brexit terhadap nilai tukar antara Pound Inggris dan Dolar AS?"

Area lain untuk analisis inferensi kausal termasuk promosi, efektivitas insentif, dan perkiraan elastisitas harga.

Perkiraan deret waktu di Google Cloud

BigQuery ML

BigQuery ML memungkinkan pengguna membuat dan menjalankan model machine learning di BigQuery menggunakan kueri SQL standar. Produk ini mendukung jenis model yang disebut ARIMA_PLUS untuk melakukan tugas perkiraan deret waktu dan deteksi anomali.

Dengan pemodelan ARIMA_PLUS di BigQuery ML, Anda dapat membuat perkiraan pada jutaan deret waktu dalam satu kueri SQL, tanpa meninggalkan data warehouse.

ARIMA_PLUS pada dasarnya adalah pipeline pemodelan deret waktu, yang mencakup fungsi berikut:

Membuat inferensi frekuensi data deret waktu
Menangani data yang hilang, interval waktu yang tidak teratur, dan stempel waktu duplikat
Mendeteksi lonjakan dan penurunan pencilan serta perubahan level mendadak, dan melakukan penyesuaian
Menangani efek musim liburan, tren musiman, dan berbagai hal trending

Puluhan juta deret waktu dapat diperkirakan sekaligus dengan satu kueri. Pipeline pemodelan yang berbeda berjalan secara paralel, jika tersedia slot BigQuery yang memadai.

Anda dapat mulai menggunakan BigQuery ARIMA_PLUS dengan mengikuti tutorial berikut:

Membuat perkiraan satu deret waktu untuk traffic web Google Analytics dengan BigQuery ML ARIMA_PLUS
Membuat perkiraan beberapa deret waktu untuk perjalanan sepeda di NYC dengan BigQuery ML ARIMA_PLUS
Membuat perkiraan yang skalabel dengan jutaan deret waktu di BigQuery
Membuat perkiraan permintaan untuk penjualan retail dengan BigQuery ML ARIMA_PLUS

Untuk informasi selengkapnya, lihat dokumentasi publik BigQuery ML .

Vertex Forecast

Vertex Forecast menyediakan beberapa opsi kepada pengguna untuk melatih model perkiraan deret waktu:

Model AutoML. Dengan pelatihan AutoML, berbagai pendekatan rekayasa fitur diterapkan terlebih dahulu, lalu penelusuran hyperparameter yang cepat akan dilakukan. Selanjutnya, AutoML akan mempelajari banyak arsitektur model lanjutan termasuk beberapa model milik Google dan pada akhirnya menghasilkan model berkualitas tinggi untuk Anda.
Model Seq2seq. Dalam proses pelatihan, hyperparameter secara khusus dalam arsitektur model sequence-to-sequence digunakan, yang dapat mengurangi cakupan ruang penelusuran hyperparameter yang memungkinkan konvergensi cepat.

Untuk informasi selengkapnya, baca dokumentasi publik Vertex Forecast.

Anda dapat memulai tutorial Vertex Forecasting.

Perkiraan kustom

Jika ingin menggunakan kode kustom Anda sendiri, tetapi ingin memanfaatkan infrastruktur pelatihan/inferensi di Google Cloud, Anda dapat menggunakan Vertex AI Notebooks untuk menjalankan kode apa pun di Python, R, TensorFlow, atau PyTorch.

Perkiraan univariat versus multivariat

Dengan perkiraan univariat, Anda dapat memperkirakan data mendatang hanya menggunakan data deret waktu historis. Misalnya, untuk memperkirakan suhu esok hari di New York City, perkiraan univariat hanya menggunakan satu variabel, yaitu histori suhu, untuk memprediksi suhu pada masa mendatang. Dengan perkiraan univariat, Anda juga dapat menemukan pola dan tren musiman.

Dengan perkiraan multivariat, Anda dapat memperkirakan data mendatang menggunakan beberapa faktor. Misalnya, untuk memperkirakan suhu esok hari di New York City, selain menggunakan histori suhu, Anda juga dapat menggunakan tekanan barometrik, indeks UV, persentase tutupan awan di area geografis terdekat, kecepatan angin, dan variabel lainnya.