本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用 AWS 机器学习服务预测对推出新产品的需求
<a name="introduction"></a>

*Amazon Web Services*（[贡献者](contributors.md)）

*2024 年 10 月*（[文档历史记录](doc-history.md)）

## 概述
<a name="overview"></a>

需求预测，也称为*销售预测*，是许多制造公司关注的重点，尤其是在消费电子（CE）领域。对投放市场的新产品的需求预测被视为*新产品推出（NPI）预测*。

需求预测的最佳策略必须考虑可能影响销售的各种因素。在NPI预测的背景下，尤其是消费电子行业，影响产品销售的最大因素之一是*产品生命周期*。通常，许多 CE 类别在产品生命周期的早期就有大量销售。例如，预计在产品发布后的几周内会有更多的销量。在最初的激增之后，对许多消费电子产品的需求通常会大幅下降，有时，该产品会在几年内过时。当公司每年或每半年发布产品的新版本时，尤其会发生这种情况。新版本产品的销售通常遵循类似的模式，即使新版本不是在一年中的同一时间点发布。除了产品生命周期外，对需求的其他重要影响还包括营销支出、促销、季节性和价格。

公司以多种方式使用预测，例如用于供应计划和收入预测。对于供应计划，需要在发布之前提前生成NPI预测，因为交货时间可能超过九个月。合同制造商可能需要6—7个月的时间来采购供应品，一个月的制造时间，一个月的时间从国际工厂发货。

机器学习 (ML) 模型可以通过提高预测准确性来释放整个供应链的价值。他们可以帮助您回答以下问题：
+ 我的供应商是否有足够的原材料来根据预测的需求进行制造？
+ 每种部件我需要制造多少个？
+ 我应该生产多少产品？
+ 我的成品何时到货？
+ 我应该在每个配送和配送中心储存多少商品？
+ 对我的新产品的需求将如何分布在每个销售渠道中？

NPI预测准确性低可能会导致库存过少或使库存过多的公司陷入困境。制造商希望提前发出警告，以便纠正方向。如果没有机器学习模型，第一个需求信号将在最初的产品发布几周后出现，这使得供应链和制造业务与预期需求保持一致的时间很少或根本没有时间。NPI需求预测的现行行业实践在很大程度上依赖主题专家和领域知识。

采用基于机器学习的现代方法可以帮助组织利用数据驱动的策略进行NPI需求预测。基于机器学习的方法可以提供长远的预测，这些预测是在产品发布前几周生成的。这些长期预测对于供应计划和配送物流至关重要。

## 目标
<a name="objectives"></a>

通过提供最佳实践和推荐的架构，本指南可帮助您完成以下任务：
+ 满足数据驱动型 NPI 需求预测的数据准备要求
+ 构建经济实惠的数据摄取机制
+ 确定用于NPI需求预测的可行机器学习方法
+ 缩放和跟踪预测效果并衡量业务价值