breadcrumbDescription
Prognoser
Brug prognoser i Data 360 til at forudsige fremtidige værdier fra historiske data. Prognosemodeller identificerer automatisk tendenser og sæsonudsving for at generere forudsigelser uden at kræve data science-ekspertise.
Standardalgoritmen er Holt-Winters, og den er bedst egnet til strukturerede tidsseriedata med tydelige tendenser og tilbagevendende sæsonmæssige mønstre. F.eks. detailsalg, der topper hvert kvartal eller månedlig omsætning, der vokser støt over tid.
Alle prognosemodeller og algoritmer bruger den nye kørsel.
Prognoser understøtter forskellige anvendelsessituationer.
- Indtjeningsprognoser: forudsige fremtidige omsætningstendenser med historiske ydeevnedata
- Anmodningsplanlægning: estimer produkt- eller serviceanmodning på tværs af tidsperioder
- Salgstendensanalyse: identificer vækst- eller afvisningsmønstre i pipeline eller reservationer
- Kapacitetsplanlægning: prognoseressourcebehov baseret på historiske anvendelsestendenser
- Sæsonudsving: analysere tilbagevendende top og nedgang i forretningsaktivitet
Single-variate-prognoser aktiverer disse anvendelsessituationer ved at bruge en historisk variabel. Prognosticer f.eks. næste måneds omsætning ved kun at bruge tidligere omsætningsdata, når der findes en tydeligt defineret metrik.
Sådan fungerer prognosticering
Prognosemodeller lærer fra historiske tidsseriedata – en række værdier, der registreres med regelmæssige intervaller, f.eks. dagligt salg eller månedlig omsætning. Modellen identificerer mønstre, f.eks. tendensretning og sæsonudsving, og projicerer disse mønstre i fremtiden for at generere forudsigelser.
Prognoseoutput inkluderer forudsigelsesintervaller, der repræsenterer usikkerhed i prognosen. Den øverste og nederste grænse definerer området for forventede værdier, hvor smalere områder angiver højere konfidens.
Hver prognosticeret registrering inkluderer disse output:
- Prognosticeret værdi – den forudsagte værdi for hver fremtidig tidsperiode
- Prognose - øverste grænse – den højeste ende af det forudsagte område
- Prognose - lavere grænse – den lave ende af det forudsagte område
Gennemse disse prognosebegreber.
Partitionskolonner definerer, hvordan Data 360 grupperer data til prognosticering. Når du f.eks. prognosticerer omsætning efter konto, er kontofeltet partitionskolonnen. Hver model understøtter op til fem partitionskolonner og aktiverer segmenterede prognoser på tværs af flere dimensioner.
Tidsrækkegruppering definerer aggregeringsintervallet for dataene, f.eks. minut, dag, måned eller år. Modellen udleder automatisk prognosefrekvens fra denne gruppering, og du konfigurerer den ikke separat.
Sæsonudsving registrerer tilbagevendende mønstre, der gentages over et fast interval, f.eks. ugentlige trafikspikes eller kvartalsvise salgsstigninger. Definer sæsonudsving manuelt i op til 24 perioder.
Nulhåndtering tildeler manglende værdier i træningsdata automatisk med den indbyggede tilskrivningsmetode. Modellen bruger kun tilskrivede værdier under uddannelse og skriver dem ikke til prognoseoutput.
Overvejelser
Gennemse disse overvejelser.
-
Prognoseafledning forbruger inference faktureringsmålet.
-
Batchtransformeringsprognoser bruger også datatransformering – batchmåler baseret på rækker, der behandles.
-
Hvis manglende værdier ikke tilskrives på en pålidelig måde, stopper prognoseafledning.
- Brug Holt Winters-prognoser
Forudsig fremtidige værdier baseret på historiske mønstre i en enkelt variabel ved brug af Holt-Winters-algoritmen. Brug f.eks. en datatransformering til at prognosticere salg efter konto baseret på salgsmulighedsdata.
