詳細情報:
売上予測
Data 360 の売上予測を使用して、履歴データから将来の値を予測します。売上予測モデルでは、データサイエンスの専門知識がなくても、トレンドと季節のパターンを自動的に特定して予測を生成します。
デフォルトのアルゴリズムは Holt-Winters で、明確なトレンドと定期的な季節パターンを持つ構造化された時系列データに最適です。たとえば、毎四半期ピークを迎える小売売上や、経時的に着実に成長する月間売上などです。
すべての売上予測モデルとアルゴリズムで新しいランタイムが使用されます。
売上予測では、さまざまな使用事例がサポートされます。
- 収益予測:過去のパフォーマンス データを使用して将来の収益トレンドを予測する
- 需要計画: 期間全体の製品またはサービスの需要を推定する
- 販売トレンド分析:パイプラインまたは予約の成長または減少パターンを特定する
- 業務量計画: 過去の使用量トレンドに基づいてリソースのニーズを予測する
- 季節パターン分析: ビジネス活動の定期的なピークと減少を分析する
単一変量売上予測では、1 つの履歴変数を使用してこれらの使用事例を有効にします。たとえば、明確に定義された指標が存在する場合に過去の収益データのみを使用して、来月の収益を予測します。
売上予測のしくみ
売上予測モデルは、履歴時系列データ (日次売上や月次収益など、定期的な間隔で記録された一連の値) から学習します。モデルでは、トレンドの方向や季節性などのパターンを識別し、そのパターンを将来に予測して予測を生成します。
売上予測の出力には、売上予測の不確実性を表す予測間隔が含まれます。上限と下限は、期待される値の範囲を定義します。範囲が狭いほど、信頼性が高くなります。
各予測レコードには次の出力が含まれます。
- 予測値 — 将来の各期間の予測値
- 売上予測の上限 — 予測範囲の上限
- 売上予測の下限 — 予測範囲の下限
次の売上予測の概念を確認します。
パーティション列では、Data 360 で売上予測のデータをグループ化する方法を定義します。たとえば、取引先別に収益を予測する場合、取引先項目はパーティション列です。各モデルでは最大 5 個のパーティション列がサポートされるため、複数のディメンションでセグメント化された売上予測が可能になります。
時系列グルーピングでは、データの集計間隔 (分、日、月、年など) を定義します。モデルでは、このグルーピングから売上予測頻度が自動的に推測され、個別に設定することはありません。
季節性は、毎週のトラフィックの急増や毎四半期の売上の増加など、一定の間隔で繰り返されるパターンを取得します。最大 24 個の期間の季節性を手動で定義します。
Null 処理では、トレーニングデータの欠損値が組み込みの代入方法で自動的に代入されます。モデルでは、トレーニング中にのみ代入値が使用され、予測出力には書き込まれません。
考慮事項
次の考慮事項を確認してください。
-
売上予測推測では、推測請求メーターが使用されます。
-
一括変換売上予測では、処理された行に基づくデータ変換 - バッチ メータも消費されます。
-
欠損値が確実に代入されない場合、予測推測は停止します。
- Holt Winters 売上予測の使用
Holt-Winters アルゴリズムを使用して、1 つの変数の履歴パターンに基づいて将来の値を予測します。たとえば、データ変換を使用して、商談データに基づいて取引先別の売上を予測します。
