0:00:00: Olá, nesse vídeo você vai aprender a fazer previsão de demanda usando os modelos mais modernos de machine learning

0:00:08: sem ter que programar uma linha de código.

0:00:11: Nós vamos fazer isso através de uma ferramenta da Amazon na AWS.

0:00:16: Eu não sou patrocinado pela AWS, inclusive se a AWS quiser me patrocinar.

0:00:21: Eu agradeço, mas no momento eu não sou patrocinado por eles,

0:00:25: mas eu testei e gostei muito da ferramenta que eles oferecem.

0:00:29: Meu nome é Mário Filho, já peço para você deixar o seu like e se inscreva no canal para você receber mais vídeos,

0:00:36: mais aulas, mais tutoriais sobre machine learning mesmo para quem não sabe programar.

0:00:42: Vamos começar então. Você vai precisar ter uma conta na AWS e aí vai precisar fazer o login.

0:00:48: E quando você fizer o login, você vai ter uma tela mais ou menos parecida com essa.

0:00:53: A primeira coisa que a gente precisa fazer é vir aqui, se não estiver aqui nos serviços recentemente visitados,

0:00:59: ir aqui e selecionar S3, que é onde a gente vai ter que jogar o nosso arquivo de vendas

0:01:06: para que a gente possa usar o nosso data set para que a gente possa usar na hora de fazer a previsão.

0:01:12: Provavelmente você não vai ter nada criado aqui ainda nos buckets.

0:01:15: Buckets você pode pensar como se fosse uma pasta, só um lugar ali, um diretório onde vão ficar os teus arquivos.

0:01:22: Aí você pode vir em Create Bucket, Bucket Name vai ser o nome dessa pasta,

0:01:27: então vou colocar aqui Tutorial Sales Forecast em inglês, porque a gente é sofisticado.

0:01:33: E aí você não precisa mais mexer em nenhuma das outras opções e só aperta o botão Create Bucket.

0:01:40: E ele não me deixou porque não pode usar Underline, então vamos usar tracinho que eu sei que pode.

0:01:45: Então Tutorial Sales Forecast, eu estou criando aqui na região de Ohio,

0:01:49: que geralmente é a região onde eu faço meu trabalho, mas pode criar em qualquer região aqui no Brasil,

0:01:59: onde for que você vá usar, isso não importa muito o Ohio, geralmente tem uns preços bons para a gente usar.

0:02:04: Então criando o nosso bucket, legal, nosso bucket foi criado.

0:02:09: Próxima coisa que é importante é saber qual é o formato que a gente precisa ter esse arquivo para usar,

0:02:15: para fazer essa previsão de vendas.

0:02:17: E aqui nós vamos usar um formato muito simples, que é o seguinte, na primeira coluna nós teremos o item ID,

0:02:24: ou seja, o ID do item, aqui no caso é P1, P2, P3, pode ser qualquer ID de produto que você tenha,

0:02:31: desde que seja o identificador único daquele produto, daquela loja, do que quer que seja que você esteja tentando prever.

0:02:38: A timestamp ela precisa ser nesse formato ano, mês, dia, e aí hora, minuto, segundo,

0:02:45: se você estiver fazendo uma previsão que seja menor do que no período diário.

0:02:50: E depois nós precisamos de uma coluna aqui escrita demand, que é simplesmente o valor que a gente quer prever,

0:02:56: nesse caso, quanto foi vendido de um determinado produto numa determinada data.

0:03:02: Então o mínimo que você precisa é ter essas três colunas.

0:03:05: Certamente você consegue encontrar tutoriais de como fazer essa transformação,

0:03:10: mas também pode ser feito manualmente, não tem problema nenhum,

0:03:14: o que importa é os seus dados estarem neste formato.

0:03:16: E aqui nós temos dados semanais, então você vê, eu criei, os dados são reais, mas as datas não são reais,

0:03:23: então coloquei a primeira semana que a gente tem aqui, a semana do dia 1, do 1 de 2019,

0:03:27: e aí se a gente for bem para baixo, nós temos aqui cerca de 800 produtos, você vai ver que a outra semana vai ser o dia 7, do 1, e assim vai.

0:03:34: Toda semana nós vamos ter um registro pelo período de 52 semanas,

0:03:39: mas como eu te falei, você pode usar isso aqui para prever qualquer período, seja o período de minuto a minuto até o período mensal, anual.

0:03:50: Depois que a gente criou o nosso bucket, a gente volta para a tela inicial da AWS,

0:03:55: você pode clicar ali no cantinho, e aí você seleciona aqui,

0:04:00: eu, aliás, gosto de usar o Ctrl F ou Command F, você pode digitar Forecast,

0:04:05: e você acha o Amazon Forecast, clica nele.

0:04:11: Para a gente usar o Amazon Forecast, a gente vai precisar criar algumas entidades aqui, como grupo de data set e tudo mais, então vamos lá.

0:04:20: Vamos clicar aqui no botão laranja, Create Data Set Group,

0:04:25: e aí a gente vai, precisa colocar um nome, então, tutorial, data set,

0:04:31: e aqui a gente pode usar, é, underline, tutorial, data set group zero,

0:04:39: eu gosto de colocar um número também, porque às vezes tem várias versões da mesma previsão,

0:04:43: ele opcionalmente pede para você colocar o domínio, né, o que que você está tentando prever, então eu estou tentando prever demanda,

0:04:51: para uma demanda de materiais brutos, ou então eu estou tentando prever para demanda de comércio,

0:04:58: não é necessário, mas vamos colocar aqui, nesse caso eu estou usando Retail, eu estou usando dados semanais de vendas de produtos comerciais.

0:05:07: Próxima coisa que ele pede para a gente é para dar um nome para o nosso data set, novamente, eu vou colocar aqui, tutorial, data set zero,

0:05:15: e aí ele fala, qual é a frequência dos seus dados?

0:05:18: E aí ele aqui sugere que os dados tem que ter um intervalo comum, né, você não pode ter, por exemplo, um dados diários que sejam,

0:05:29: é, hoje, por exemplo, dia 1, aí o próximo dado é o dia 3, né, nesse caso você precisaria ter ali uma entrada com o dia 2,

0:05:37: com o número zero, mas eu não sei realmente se isso é necessário, no nosso caso a gente tem aqui uma semana,

0:05:45: então a gente simplesmente coloca aqui uma week, né, poderia ser minuto, hora, dia, mês, ano, no nosso caso é semanal,

0:05:53: se o seu for diário você bota dia, hora, o que você achar é o que for útil para você.

0:05:58: E aí ele tem aqui o Schema Builder, basicamente o que é Schema Builder?

0:06:02: Simplesmente você tem que colocar quais são as colunas que você tem nos dados, por padrão ele já pede essas,

0:06:09: por padrão ele pede, aí tem ID, né, que é uma string, é uma sequência de caracteres que a gente chama de string na programação,

0:06:16: timestamp é o campo da data e aqui você tem que mudar o formato, se a sua timestamp, se a sua, o campo do tempo lá da data

0:06:25: tiver hora, minuto e segundo, você precisa colocar aqui, no nosso caso só tem ano, mês e dia, então eu vou selecionar só ano, mês e dia,

0:06:33: e aí ele pede também que tenha esse atributo demand e que seja tipo float, né, tipo float simplesmente é número com algum,

0:06:43: com casas depois da vírgula. E aí você pode adicionar outros atributos aqui, com outros tipos, imagine que além do produto a gente tivesse loja,

0:06:52: por exemplo, a gente poderia adicionar aqui, ou se tivesse alguma outra informação como número de acessos no site naquele dia,

0:06:59: número de pessoas que acessaram a loja, ou então o número de, o preço daquele produto, provavelmente entraria aqui no atributo,

0:07:08: mas com esses três você já vai conseguir criar o teu modelo, criar a tua previsão. E aí ele também pede depois, né, parece um monte de coisa,

0:07:17: mas geralmente a gente precisa dessas, desse todo esse encaixe de categorias, de entidades para criar, para criar o modelo,

0:07:25: mas eu garanto que ainda é mais fácil do que fazer programando. Então aqui ele pede o data set import name,

0:07:31: então qual vai ser o nome do arquivo do data set que ele vai importar, então qual vai ser o nome que ele deve identificar esse arquivo

0:07:39: que a gente vai mandar, aquele que eu te mostrei na planilha do Google Sheets. E aqui vai ser o seguinte, forecast tutorial, né,

0:07:48: eu estou usando tutorial para tutorial, data set import zero. Eu estou colocando tudo com o nome já que ele dá aqui,

0:07:55: porque como a gente está começando, só para a gente ter uma ideia de que parte está em qual lugar, tá?

0:08:01: Aí ele fala aqui, selecione uma time zone, né, selecione qual o fuso horário, no nosso caso não tem time zone,

0:08:08: então eu não tenho qual é o dia lá, se você tiver uma time zone, por exemplo, você está em São Paulo,

0:08:14: ou você está sei lá no Acre, ou em Portugal, aí você precisa selecionar qual é o fuso horário que a tua coluna de tempo,

0:08:24: a tua coluna de timestamp está. No nosso caso não há necessidade, então vou colocar para não usar, mas se não você precisa selecionar.

0:08:31: E aqui, data location, ele vai falar aonde está, onde estão os teus dados. Eu vou aqui em browse S3,

0:08:38: lembra que a gente criou a nossa pastinha lá? Vem aqui em tutorial sales forecast, nesse momento não tem nada,

0:08:45: porque eu me esqueci de enviar o arquivo. Nesse caso a gente volta lá no nosso bucket, tem o endereço,

0:08:52: eu vou deixar o link aqui embaixo, né, do console do S3, onde você pode encontrar o teu bucket,

0:08:57: você entra lá no bucket que você criou, né, no nosso caso tutorial sales forecast, e aqui eu vou fazer o upload do arquivo.

0:09:05: Você vem aqui adicionar arquivos, ele vai abrir a caixa de diálogo para você selecionar o arquivo que você quer fazer o upload,

0:09:11: ou você pode também arrastar o arquivo aqui para essa tela. Eu no caso arrastei o arquivo em qualquer lugar da tela,

0:09:17: então você pode arrastar o arquivo, você vê ele já está aqui, forecast data 70.csv, destino tudo mais,

0:09:23: você não precisa se preocupar com o resto dessas opções. E aí você clica em upload, ele vai te mostrar aqui o progresso do upload,

0:09:31: deve ser rápido, geralmente esses arquivos são pequenos, e a gente volta lá para o Amazon forecast.

0:09:39: Voltando aqui para o Amazon forecast, a gente aperta essa setinha para atualizar a lista de arquivos,

0:09:46: e ele não está atualizando, porque logicamente quando você está gravando aula para o YouTube, ele não atualiza.

0:09:53: Então eu simplesmente fechei e vou abrir de novo o browser S3, vou entrar lá no meu bucket, agora está aqui o arquivo,

0:10:02: eu seleciono esse arquivo, aperto aqui no circulo e choose, e pronto, ele vai preencher aqui.

0:10:09: Se você também souber o endereço S3, você já for um usuário mais avançado do WS, só você colocar aqui o endereço do teu arquivo.

0:10:17: O EMRoll aqui, se você não tiver nada, ele vai ter a sua opção marcada create a new role,

0:10:24: aí você simplesmente vai aparecer essa caixa de diálogo, você pode colocar para criar para qualquer bucket S3,

0:10:31: ou especificar novamente se você não é a primeira vez que está usando, se você já tem outros buckets,

0:10:37: você já sabe como funciona a WS, você pode colocar aqui o nome, criar um perfil com autorização para acessar só essa pasta que a gente criou agora,

0:10:45: mas no caso, se é a tua primeira vez, você pode colocar aqui NS3 bucket, não, depois você entende melhor como funciona esse EMRoll.

0:10:54: No meu caso eu não vou criar porque eu já tenho ela criada aqui, esse Amazon Forecast Execution Roll, tudo mais,

0:11:01: e aí eu vou clicar aqui agora que eu já preenchi toda essa parte em start import.

0:11:07: Ele me traz para essa tela, ele vai falar que ele está criando aqui, está pendente a criação,

0:11:14: então ele está importando os dados aqui para o Amazon Forecast.

0:11:18: Você vê que tem esses campos item metadata data, então eu nunca usei, mas em tese você pode também colocar dados como título,

0:11:29: outras categorias do produto, a metadata do produto, provavelmente preço e tudo mais e related time cities data,

0:11:37: vamos dizer que você tivesse previsão do tempo, se tivesse algum outro dado, eu imagino que dê para importar aqui,

0:11:44: mas esse nosso tutorial é bem simples, nesse momento é bem para iniciar, para criar uma primeira versão.

0:11:49: Vamos esperar então, aqui ele criar o data set e eu já venho para a gente continuar.

0:11:55: Terminado de criar, ele vai colocar aqui uma sinalzinho active e a gente pode passar para o próximo passo,

0:12:03: que é realmente treinar o modelo, aqui levou mais ou menos sete minutos para fazer o carregamento dos dados,

0:12:09: o tempo vai realmente depender do quão grandes são seus dados, quantos produtos, etc e tal.

0:12:14: O que a gente faz, eu estou aqui na tela da dashboard, se você não está nessa tela,

0:12:18: só clica aqui em dashboard no menu e aí a gente começa aqui no Predictor Training Start.

0:12:25: E aí a gente precisa dar um nome para o Predictor, Predictor é o modelo que a gente vai criar,

0:12:30: realmente a parte matemática ali, a caixinha, caixa preta entre aspas, que vai prever,

0:12:38: pegar os seus dados de venda, os seus dados históricos de venda e prever os próximos dados.

0:12:45: Então vou colocar aqui Tutorial Predictor 0 para continuar consistente.

0:12:52: Forecast Horizon é quantos passos à frente você quer prever.

0:12:58: Nesse caso a gente está por semanas, então vamos dizer que a gente quisesse prever

0:13:02: para os próximos três meses qual o valor de vendas de cada produto em cada semana,

0:13:07: a gente precisa de 12 semanas.

0:13:10: E aí eu vou colocar aqui que o Forecast Frequency é por semana.

0:13:14: Eu não sei, nunca testei aqui, colocar por exemplo, mesmo tendo mandado dados semanais,

0:13:19: tentar prever por dia, ou seja, um período menor ou por mês, um período maior,

0:13:24: eu não sei o que acontece, mas aqui vamos manter tudo uniforme e vamos colocar para ele prever

0:13:31: na mesma periodicidade e aqui o número.

0:13:34: Se você quer a previsão para seis meses, você pode colocar aqui,

0:13:37: lembrando que quanto mais para frente, quanto mais distante dos dados históricos,

0:13:42: menor a qualidade da previsão que qualquer modelo vai te dar.

0:13:47: Então temos aqui 12, e aí ele fala, você pode escolher, se você tem mais experiência

0:13:52: com machine learning, você pode escolher a versão manual, mas aqui a gente está querendo realmente

0:13:56: para quem não conhece bem de machine learning para você poder fazer essa previsão.

0:14:02: Então a gente deixa no automático a seleção de algoritmos,

0:14:05: aqui ele fala qual é a dimensão de previsão.

0:14:08: E ele diz, o item ID é usado por padrão no treino, por padrão ele usa o item ID,

0:14:15: mas se você tiver, por exemplo, item ID loja, se você quiser prever aquele produto numa loja específica,

0:14:20: aí é importante você selecionar aqui, além da item ID, qual é a dimensão que você vai querer gerar a tua previsão.

0:14:30: Number of backtest windows, isso aqui é muito importante, porque,

0:14:35: quer dizer, quantas janelas ele vai testar o teu modelo nos dados históricos.

0:14:41: Então nos dados históricos ele vai fazer uma coisa que a gente chama de validação,

0:14:45: que ele vai simular, se ele tivesse os dados até um determinado ponto do tempo e tentasse prever

0:14:51: dali para frente, qual seria o erro que ele iria obter.

0:14:55: Então se a gente tem 52 semanas, a gente está tentando prever 12 semanas,

0:14:59: ele tentaria criar um modelo nas 40 primeiras semanas e tentar prever as 12 últimas,

0:15:05: e aí ele vai calcular alguma medida de erro, é o percentual, tudo mais,

0:15:09: você vai ver quais são os erros que ele calcula e ele vai te dizer qual seria o erro dali para frente.

0:15:16: Geralmente uma só já resolve bem o problema e é mais rápido, então vou deixar só como uma janela aqui.

0:15:23: Mas você poderia colocar 2, 3, 4, acho que até 5 ou 10 dá para você colocar,

0:15:31: e aí lógico você vai ter uma validação, uma métrica mais robusta, um erro mais robusto,

0:15:38: mas para começar 1 está bom, e aí ele sugere aqui, logicamente, que a gente faça,

0:15:44: em que ponto ele deve dividir os nossos dados para treinar e validar,

0:15:52: para treinar e avaliar, e aqui logicamente 12 períodos, então ele vai pegar os últimos 12 períodos,

0:16:00: aqui é de trás para frente que ele pensa, então é os últimos 12 períodos ele vai pegar para fazer essa validação.

0:16:07: Ele vai te dar não só a previsão do que ele acha que vai acontecer na média, na mediana ali,

0:16:12: mas ele vai também te dar uma banda, ele vai te dar a previsão do que é,

0:16:18: quais são os valores mais extremos que você pode ver na maioria das vezes na hora que você fizer essa previsão,

0:16:24: então ele vai te dar o quantio 10 e o quantio 0.9,

0:16:31: e você pode selecionar até 5 quantios, basicamente pode deixar isso aqui como padrão,

0:16:38: você vai ver mais claramente quando a gente fizer a previsão,

0:16:41: é legal para você ter mais ou menos uma estimativa de quão incerta está a sua previsão,

0:16:46: para você não ficar muito dependente de prever só um número,

0:16:50: você tem ali mais ou menos uma ideia de duas referências para poder fazer o seu planejamento de demanda.

0:16:58: Aqui ele fala se a gente quer, isso aqui é opcional, mas ele fala se a gente quer ativar um índice de temperatura,

0:17:07: de previsão do tempo, das condições do tempo para poder fazer a previsão,

0:17:12: ele não vai te deixar fazer isso porque a gente teria que criar esse índice e tudo mais,

0:17:16: e aqui ele fala se a gente quer que ele leve em conta os feriados,

0:17:22: se você sabe onde você está, no nosso caso por exemplo seria o Brasil aqui, Portugal,

0:17:29: ou se você trabalha fora em outro país, mas esses dados que eu tenho eles não têm o lugar específico

0:17:37: de onde eles foram obtidos, eu acho que foi Estados Unidos mas eu não lembro, então vou deixar sem os feriados,

0:17:44: mas para ativar feriados que podem fazer diferença aí na sazonalidade, por exemplo,

0:17:49: sei lá perto do Natal, Vendice Mais e assim vai, então você geralmente vai querer essa opção,

0:17:55: sim você vai querer ativar os feriados.

0:18:00: E aí a gente simplesmente vem aqui e clica no botão laranja, Treinar Predicator,

0:18:05: e novamente ele joga a gente para essa tela e ele vai criar aqui para a gente, vai ficar pendente,

0:18:11: ele vai criar um modelo para a gente e vai nos dizer quais são as médicas, qual é o erro e tudo mais

0:18:17: que ele obteve nos testes e eu vou te ensinar a ler isso para você poder gerar as próximas previsões

0:18:22: e saber mais ou menos qual é a qualidade do teu modelo. Vamos esperar aqui e eu já volto.

0:18:28: Agora que nós já temos o modelo treinado, vai aparecer aqui no canto direito para você

0:18:33: o botão Generate Forecast e vai aparecer Start.

0:18:40: Como eu gravei esse vídeo e o meu computador perdeu esse vídeo no momento em que eu estava fazendo

0:18:46: essa previsão, então estou gravando novamente, por isso que o meu botão está diferente,

0:18:52: mas a tela que você vai ver é a mesma que eu vou te mostrar aqui quando eu apertar esse botão

0:18:57: Create a Forecast.

0:18:59: Ele vai pedir o nome do Forecast, então você pode colocar aqui Forecast, é Tutorial Forecast

0:19:05: zero que eu estou usando, escolheu o modelo a ser usado para previsão, no nosso caso

0:19:13: Tutorial Predictor zero, a gente só tem um e aqui você não precisa preencher nada que são os pontos

0:19:19: de incerteza, se você vai prever a média, a mediana, do quanto você pode esperar ter de vendas

0:19:27: no dia em que, no período em que você estiver prevendo, e aí você clica aqui em Create New Forecast

0:19:32: ele vai levar um tempinho, levar uns 20 minutos, 30 minutos para ele criar o Forecast aqui para mim

0:19:38: eu não vou apertar porque no nosso caso já está criado por causa daquele problema que eu te falei.

0:19:43: Beleza, o momento que está criado o Forecast você pode vir aqui em View Predicters, clicar no teu

0:19:51: Predicter no teu modelo e aí ele vai te mostrar quais foram os modelos que ele testou e qual foi o melhor

0:19:57: de acordo com o erro, o erro absoluto percentual aqui, só que a versão WAP, não a MAP, a versão WAP

0:20:06: que não tem aquele problema com os R, então nesse caso foi o Deep AR, nesse caso foi o Deep AR

0:20:12: que é um modelo baseado em Deep Learning e ele testou uns modelos mais tradicionais como Arima, tudo mais, Profit

0:20:18: mas esse aqui acabou sendo melhor, nessa, lembra da Backtest Window que eu falei que a gente tem que separar

0:20:25: um pouco dos dados para que a gente possa avaliar esse modelo como se ele nunca tivesse visto os dados históricos

0:20:32: então é aqui que ele faz essa avaliação, por isso que é importante para que a gente possa selecionar

0:20:38: qual é o modelo que na nossa simulação mais próxima da realidade foi o modelo que teve o menor erro

0:20:45: e na grande maioria das vezes esse vai ser o modelo que vai nos dar o melhor resultado dali para frente

0:20:53: então ele testou aqui na Backtest Window, achou esse erro de 26% que para esse caso está bem legal

0:21:02: porque se você pensar a maioria dos produtos que a gente tem aqui vende menos de 10 itens por dia

0:21:09: então se você previu 3 e ele vendeu 2, você já vai ter um erro de 50%, então um erro de 26% é bem legal

0:21:16: claro que vai depender de cada caso, isso é um negócio que você tem que ver com a área de negócios

0:21:21: mas eu gostei do erro que está aqui, o que a gente faz agora então para a gente pegar essas previsões?

0:21:28: aqui embaixo tem, se você for mais avançado, tem os parâmetros que ele usou para achar esse modelo e tudo mais

0:21:34: mas como é que a gente faz para pegar essas previsões agora? a gente vem aqui na Dashboard e vem em Lookup Forecast

0:21:42: a gente poderia ter apertado aqui também, existem na verdade duas maneiras, então o Lookup Forecast

0:21:48: a gente vai vir aqui, seleciona o Forecast que a gente quer, a gente seleciona também um período

0:21:53: no caso eu vou pegar aqui do dia 1º de dezembro, então 2019, 12,01 até o dia, eu acho que ele tem até mais ou menos

0:22:03: dia 15 de março, 16 de março de 2020 de acordo com as datas que a gente colocou ali na hora do Forecast

0:22:11: então eu estou pegando uma parte dos dados históricos e uma parte dos dados da dashed previsões

0:22:17: que a gente não tem nos dados para te mostrar mais ou menos como é que é o formato que ele vai colocar aqui para você

0:22:23: e lógico, aqui embaixo você tem que selecionar qual é o produto no nosso caso, qual é o item ID

0:22:29: e eu vou pegar o produto 1 mesmo, se você tiver mais chaves, se você tiver por exemplo pares de loja e produto

0:22:36: você pode colocar aqui também e aí a gente aperta Get Forecast

0:22:40: e ele me deu um erro e disse que não pode ser depois do dia 16 do 3, então eu falei que ia colocar dia 15

0:22:45: eu coloquei dia 19, mas tudo bem, então vamos lá, aqui embaixo ele dá essa tela, então essa parte cinza com a linha preta

0:22:55: é o dado histórico que ele tem, então é o que realmente aconteceu nesse período

0:22:59: e daqui para frente ele começa a fazer as previsões, então a previsão da mediana dele

0:23:03: o que ele acha que é uma previsão razoável, essa linha verde

0:23:09: e aí ele dá essas duas bandas, estatisticamente não está completamente correta, mas na prática a gente pode pensar

0:23:15: que em 90% dos casos a gente vai vender 17 por exemplo, que é o número aqui da previsão

0:23:19: ou menos no dia 24 de fevereiro de 2020 e aqui na banda de baixo ele está dando o quantio 10

0:23:29: e aí ele está falando menos 0.03 mas a gente pode falar que a gente vai vender 0 ou mais

0:23:35: também não tem como vender menos que 0 nesse data set, então é por isso que ele está falando isso

0:23:41: mas basicamente essa é a ideia, a banda de cima e a banda de baixo são incertezas para você poder planejar melhor

0:23:46: a sua demanda, geralmente os modelos de forecast tem isso

0:23:54: só que aí você fala, tá Mari, como é que eu faço então para eu vou ter que pegar cada um e colocar aqui o produto?

0:24:00: não, você pode vir aqui em forecast, clica aí no forecast que você quiser

0:24:06: e lógico, quanto mais, quando você for fazendo forecast toda semana, tudo mais, vão ter mais forecast ali

0:24:13: mas você controla, bota um nome para controlar qual que você quer

0:24:18: e aí como você vê eu já exportei aqui mas eu vou te mostrar como é que a gente exporta

0:24:22: você clica aqui em create forecast export, você coloca o nome aqui, no meu caso eu vou colocar

0:24:28: no meu caso eu vou colocar tutorial export 1, porque eu já tenho o 0

0:24:34: vou selecionar o tutorial forecast 0, que é o forecast que a gente fez

0:24:39: aqui ele já vai colocar a tua EMROL, que é aquilo que a gente criou lá no começo

0:24:44: não precisa dessa chave aqui e você precisa selecionar onde ele deve colocar esse forecast

0:24:51: lembra que a gente criou bucket, então a gente pode vir aqui em browse, S3, selecionar o bucket

0:24:57: e a gente precisa selecionar aqui na bolinha, em vez de entrar nele, ou se você tiver uma pasta dentro do bucket

0:25:02: você pode colocar na pasta dentro dele, choose e aí ele vai falar tá então eu vou salvar nesse lugar aqui

0:25:10: e você simplesmente coloca create forecast export, ele vai esperar para criar, deixa eu te mostrar qual é o resultado

0:25:17: dessa exportação, já que eu já fiz isso uma vez

0:25:22: então a gente vem aqui no S3, seleciona o nosso bucket e você vê que ele criou 4 exemplos

0:25:29: aqui está o tutorial export 0, porque foi o que eu fiz antes, o vídeo que não gravou

0:25:36: e o que você faz, cada um desses vai ser um CSV, então você pode simplesmente baixar esse arquivo

0:25:42: clica aqui no arquivo e object actions download, claro você pode baixar programaticamente tudo mais

0:25:51: mas eu quero te mostrar como é que você tem o acesso e você pode abrir tanto numa planilha normal

0:25:56: ou você pode por exemplo criar um script, fazer alguma coisa para jogar para um banco de dados

0:26:02: carregar num banco de dados através de algum software, então aqui eu vou importar esse arquivo

0:26:08: vou fazer o upload dele, aqui eu puxei aqui para o Google Sheets, a gente tem que colocar que o separador é vírgula

0:26:14: se não ele fica todo louco, eu vou mandar ele não converter o texto em números, datas e formulas

0:26:19: não é nada com forecast, é mais com Google Sheets, porque o meu Google está em português, ele está com as unidades brasileiras

0:26:28: então o AWS forecast importa, exporta os dados com unidades americanas, então ele vai vir com ponto

0:26:37: em vez de vírgula ali para separar milhar e tudo mais, então por isso que eu preciso fazer desse jeito

0:26:42: então vou colocar para ele não converter só para ficar mais limpo aqui para a gente poder enxergar

0:26:46: ele importa os dados aqui para planilha e aí ele vai ter para cada item em cada semana do período de previsão

0:26:55: no nosso caso as 12 semanas após o fim do nosso dataset, ele vai exportar para a gente a previsão

0:27:00: a P10, a P50, a P90, que foi o que a gente não selecionou na verdade é o padrão, você poderia selecionar outros períodos

0:27:08: e aí você vê que é simplesmente um CSV, você pode abrir, você pode colocar numa dashboard

0:27:14: você pode carregar no Power BI, você pode fazer basicamente qualquer coisa que você queira com esses dados

0:27:20: porque eles estão no formato tabular normal que a gente está acostumado a lidar, é basicamente isso

0:27:27: essa é a maneira de você fazer uma previsão usando modelos de última tecnologia, modelos de ponta de machine learning

0:27:35: sem precisar entrar no código, sem precisar se preocupar com os detalhes de uma modelagem

0:27:39: porque todos eles já estão englobados ali, estão empacotados ali para garantir que você consiga fazer uma previsão boa

0:27:45: sem necessariamente ter um erro, sem necessariamente cometer um erro que vá comprometer as suas previsões

0:27:52: espero que você tenha gostado, só um detalhe você vai ver aqui tem algumas previsões que é menos zero não sei o que

0:27:59: e aí vai o bom senso também da gente saber que é um modelo então ele vai dar essas previsões às vezes

0:28:04: menos 0.01 que na verdade são previsões zero, se é redonda e tem um pós processamento que você acaba fazendo nos dados

0:28:12: mas isso é com qualquer modelo

0:28:14: é isso aí muito obrigado por assistir, se você gostou deixe seu like, se inscreva no canal para mais vídeos

0:28:20: como esse aqui e até o próximo vídeo