Ti trovi qui:
Previsioni
Utilizzare le previsioni in Data 360 per prevedere i valori futuri a partire dai dati storici. I modelli di previsione identificano automaticamente le tendenze e gli schemi stagionali per generare previsioni senza che sia necessaria una competenza scientifica dei dati.
L'algoritmo predefinito è Holt-Winters ed è più adatto per i dati di serie temporali strutturate con tendenze chiare e schemi stagionali ricorrenti. Ad esempio, le vendite al dettaglio che raggiungono il picco ogni trimestre o il reddito mensile che cresce costantemente nel tempo.
Tutti i modelli e gli algoritmi di previsione utilizzano il nuovo runtime.
Le previsioni supportano vari casi d'uso.
- Previsione del reddito: prevedere le tendenze future del reddito con dati sulle prestazioni storiche
- Pianificazione della domanda: stima della domanda di prodotti o servizi in periodi di tempo
- Analisi trend vendite: identificare gli schemi di crescita o declino nelle opportunità in corso di realizzazione o nelle prenotazioni
- Pianificazione della capacità: prevedere le esigenze delle risorse in base alle tendenze di utilizzo storiche
- Analisi degli schemi stagionali: analizzare i picchi e i cali ricorrenti nell'attività aziendale
Le previsioni a variazione singola abilitano questi casi d'uso utilizzando una variabile storica. Ad esempio, prevedere il reddito del mese successivo utilizzando solo i dati del reddito passato quando esiste una metrica chiaramente definita.
Funzionamento delle previsioni
I modelli di previsione imparano dai dati delle serie storiche, una sequenza di valori registrati a intervalli regolari, ad esempio le vendite giornaliere o il reddito mensile. Il modello identifica gli schemi, ad esempio la direzione del trend e la stagionalità, e li proietta nel futuro per generare previsioni.
Gli output delle previsioni includono intervalli di previsione che rappresentano l'incertezza nella previsione. I limiti superiore e inferiore definiscono l'intervallo dei valori previsti, dove intervalli più stretti indicano una maggiore confidenza.
Ogni record previsto include i seguenti output:
- Valore previsto: il valore previsto per ogni periodo di tempo futuro
- Limite superiore della previsione: la fascia alta dell'intervallo previsto
- Limite inferiore della previsione: la parte bassa dell'intervallo previsto
Rivedere questi concetti di previsione.
Le colonne delle partizioni definiscono il modo in cui Data 360 raggruppa i dati per le previsioni. Ad esempio, quando si prevede il reddito per account, il campo account è la colonna della partizione. Ogni modello supporta fino a cinque colonne partizione, abilitando la previsione segmentata in più dimensioni.
Il raggruppamento delle serie temporali definisce l'intervallo di aggregazione dei dati, ad esempio minuto, giorno, mese o anno. Il modello deduce automaticamente la frequenza delle previsioni da questo raggruppamento e non viene configurato separatamente.
La stagionalità acquisisce schemi ricorrenti che si ripetono su un intervallo fisso, ad esempio picchi di traffico settimanali o aumenti trimestrali delle vendite. Definire manualmente la stagionalità per un massimo di 24 periodi.
La gestione completa imputa automaticamente i valori mancanti nei dati di addestramento con il metodo di imputazione integrato. Il modello utilizza i valori imputati solo durante l'addestramento e non li scrive negli output delle previsioni.
Considerazioni
Rivedere queste considerazioni.
-
L'inferenza delle previsioni consuma il misuratore di fatturazione dell'inferenza.
-
La previsione della trasformazione batch utilizza anche la trasformazione dati: misuratore batch basato sulle righe elaborate.
-
Se i valori mancanti non vengono imputati in modo affidabile, l'inferenza delle previsioni si arresta.
- Utilizzo delle previsioni Holt Winters
Prevedere i valori futuri in base agli schemi storici in una singola variabile utilizzando l'algoritmo Holt-Winters. Ad esempio, utilizzare una trasformazione dati per prevedere le vendite per account in base ai dati delle opportunità.
