Vous êtes ici :
Prévisions
Utilisez les prévisions dans Data 360 pour prédire les valeurs futures à partir de données historiques. Les modèles de prévision identifient automatiquement les tendances et les modèles saisonniers afin de générer des prédictions sans expertise en science des données.
L'algorithme par défaut est Holt-Winters. Il est plus adapté aux données temporelles structurées avec des tendances claires et des modèles saisonniers récurrents. Par exemple, les ventes au détail qui culminent chaque trimestre ou le chiffre d'affaires mensuel qui augmente régulièrement au fil du temps.
Tous les modèles et algorithmes de prévision utilisent la nouvelle exécution.
Les prévisions prennent en charge divers cas d'utilisation.
- Prévisions de chiffre d'affaires : Prédire les tendances futures du chiffre d'affaires avec des données de performance historiques
- Planification de la demande : estimer la demande de produits ou de services sur des périodes
- Analyse des tendances commerciales : Identifier les modèles de croissance ou de déclin dans le pipeline ou les réservations
- Planification des capacités : prévoir les besoins en ressources en fonction des tendances historiques d'utilisation
- Analyse saisonnière : Analyser les pics et les creux récurrents de l'activité commerciale
La prévision à variable unique active ces cas d'utilisation en utilisant une variable historique. Par exemple, prédisez le chiffre d'affaires du mois prochain en utilisant uniquement les données de chiffre d'affaires passé lorsqu'une métrique clairement définie existe.
Fonctionnement des prévisions
Les modèles de prévision apprennent à partir de données chronologiques historiques, une séquence de valeurs enregistrées à intervalles réguliers, par exemple les ventes quotidiennes ou le chiffre d'affaires mensuel. Le modèle identifie des modèles, tels que la direction des tendances et la saisonnalité, et projette ces modèles dans le futur pour générer des prédictions.
Les sorties de prévisions comprennent des intervalles de prédiction qui représentent l'incertitude dans les prévisions. Les limites supérieure et inférieure définissent la plage de valeurs attendues, où des plages plus étroites indiquent une confiance plus élevée.
Chaque enregistrement prévisionnel inclut les sorties suivantes :
- Valeur prévisionnelle : la valeur prédite pour chaque période future
- Limite supérieure des prévisions : le haut de la plage prédite
- Limite inférieure des prévisions : le bas de la plage prédite
Examinez les concepts de prévision ci-dessous.
Les colonnes de partition définissent comment Data 360 regroupe les données pour les prévisions. Par exemple, lors de la prévision du chiffre d'affaires par compte, le champ du compte est la colonne de partition. Chaque modèle prend en charge jusqu'à cinq colonnes de partition, ce qui permet de générer des prévisions segmentées à travers plusieurs dimensions.
Le regroupement temporel définit l'intervalle d'agrégation des données, par exemple minute, jour, mois ou année. Le modèle déduit automatiquement la fréquence de prévision de ce regroupement, et vous ne le configurez pas séparément.
La saisonnalité capture des modèles récurrents qui se répètent sur une période fixe, par exemple des pics de trafic hebdomadaires ou des augmentations de ventes trimestrielles. Définissez manuellement la saisonnalité pour 24 périodes maximum.
Le traitement complet impute automatiquement les valeurs manquantes dans les données d'entraînement avec la méthode d'imputation intégrée. Le modèle utilise des valeurs imputées uniquement pendant l'entraînement et ne les écrit pas dans les sorties de prévisions.
Considérations
Prenez connaissance des considérations ci-dessous.
-
L'inférence prévisionnelle consomme le compteur de facturation par inférence.
-
Les prévisions de transformation par lot consomment également le compteur Transformation de données - Lot basé sur les lignes traitées.
-
Si les valeurs manquantes ne sont pas imputées de façon fiable, l'inférence de prévision s'arrête.
- Utilisation des prévisions Holt Winters
Prédisez les valeurs futures basées sur des modèles historiques dans une variable unique en utilisant l'algorithme Holt-Winters. Utilisez par exemple une transformation de données pour établir des prévisions de ventes par compte en fonction des données des opportunités.