Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Perkiraan permintaan untuk pengenalan produk baru dengan menggunakan layanan pembelajaran AWS mesin
*Amazon Web Services* ([kontributor](contributors.md))
*Oktober 2024* ([sejarah dokumen](doc-history.md))
## Ikhtisar
Peramalan permintaan, juga dikenal sebagai *peramalan penjualan*, adalah fokus utama dari banyak perusahaan manufaktur, terutama di sektor elektronik konsumen (CE). Perkiraan permintaan untuk produk baru yang diperkenalkan ke pasar dianggap sebagai perkiraan *pengenalan produk baru (NPI)*.
Strategi terbaik untuk peramalan permintaan harus mempertimbangkan berbagai faktor yang berpotensi mempengaruhi penjualan. Dalam konteks peramalan NPI, dan khususnya untuk sektor CE, salah satu faktor terbesar yang mempengaruhi penjualan produk adalah siklus hidup *produk*. Seringkali, banyak kategori CE melihat sejumlah besar penjualan di awal siklus hidup produk. Misalnya, lebih banyak penjualan diharapkan dalam minggu-minggu segera setelah peluncuran produk. Permintaan untuk banyak produk CE biasanya menurun secara signifikan setelah lonjakan awal, dan kadang-kadang, produk menjadi usang dalam beberapa tahun. Ini terutama terjadi ketika perusahaan merilis versi baru suatu produk dengan irama tahunan atau dua tahunan. Penjualan versi baru produk sering mengikuti pola yang sama, bahkan jika versi baru tidak dirilis pada titik waktu yang sama sepanjang tahun. Terlepas dari siklus hidup produk, pengaruh signifikan lainnya pada permintaan termasuk pengeluaran pemasaran, promosi, musiman, dan harga.
Perusahaan menggunakan prakiraan dalam berbagai cara, seperti untuk perencanaan pasokan dan perkiraan pendapatan. Untuk perencanaan pasokan, perkiraan NPI perlu dihasilkan jauh sebelum peluncuran karena waktu tunggu bisa lebih dari sembilan bulan. Diperlukan kontrak produsen 6-7 bulan untuk mendapatkan persediaan, satu bulan untuk manufaktur, dan satu bulan untuk dikirim dari lokasi pabrik internasional.
Model pembelajaran mesin (ML) dapat membuka nilai di seluruh rantai pasokan Anda dengan meningkatkan akurasi perkiraan. Mereka dapat membantu Anda menjawab pertanyaan seperti berikut:
+ Apakah pemasok saya akan memiliki cukup bahan baku untuk diproduksi sesuai dengan permintaan yang diprediksi?
+ Berapa banyak dari setiap komponen yang perlu saya produksi?
+ Berapa banyak produk yang harus saya produksi?
+ Kapan barang jadi saya akan tiba?
+ Berapa banyak produk yang harus saya simpan di setiap pusat distribusi dan pemenuhan?
+ Bagaimana permintaan untuk produk baru saya akan tersebar di setiap saluran penjualan?
Akurasi perkiraan NPI yang rendah dapat menyebabkan situasi persediaan yang terlalu sedikit atau perusahaan pelana dengan terlalu banyak persediaan. Produsen menginginkan peringatan dini untuk memperbaiki arah. Tanpa model ML, sinyal permintaan pertama tiba beberapa minggu setelah peluncuran produk awal, memberikan sedikit atau tidak ada waktu untuk menyelaraskan rantai pasokan dan operasi manufaktur dengan permintaan yang diharapkan. Praktik industri yang berlaku untuk peramalan permintaan NPI sangat bergantung pada pakar materi pelajaran dan pengetahuan domain.
Mengadopsi pendekatan berbasis ML modern membantu organisasi untuk mengeksploitasi strategi berbasis data untuk peramalan permintaan NPI. Pendekatan berbasis ML dapat memberikan perkiraan dengan cakrawala panjang, yang dihasilkan beberapa minggu sebelum peluncuran produk. Prakiraan cakrawala panjang ini sangat penting untuk perencanaan pasokan dan logistik distribusi.
## Tujuan
Dengan memberikan praktik terbaik dan arsitektur yang direkomendasikan, panduan ini membantu Anda melakukan hal berikut:
+ Memenuhi persyaratan kesiapan data untuk peramalan permintaan NPI berbasis data
+ Membangun mekanisme konsumsi data yang hemat biaya
+ Tentukan pendekatan ML yang layak untuk peramalan permintaan NPI
+ Skala dan lacak efek prakiraan dan ukur nilai bisnis