위치:
예측
Data 360에서 예측을 사용하여 내역 데이터에서 향후 값을 예측합니다. 예측 모델은 추세 및 계절별 패턴을 자동으로 식별하여 데이터 과학 전문 지식이 필요하지 않고도 예측을 생성합니다.
기본 알고리즘은 Holt-Winters이며 명확한 추세 및 반복 계절적 패턴이 있는 구조화된 시계열 데이터에 가장 적합합니다. 시간에 따라 지속적으로 성장하는 분기별로 상승하는 리테일 세일즈 또는 월간 매출을 예로 들 수 있습니다.
모든 예측 모델 및 알고리즘은 새 런타임을 사용합니다.
예측은 다양한 사용 사례를 지원합니다.
- 수익 예측: 과거 성과 데이터로 향후 수익 추세 예측
- 요청 계획: 기간에 걸친 제품 또는 서비스 수요 추정
- 판매 추세 분석: 파이프라인 또는 예약의 성장 또는 하락 패턴 파악
- 수용력 계획: 과거 사용 동향을 기반으로 자원 요구 예측
- 계절적 패턴 분석: 비즈니스 활동의 반복적인 상승과 하락 분석
단일 변형 예측은 하나의 내역 변수를 사용하여 이러한 사용 사례를 활성화합니다. 예를 들어, 명확하게 정의된 메트릭이 있는 경우 과거 매출 데이터만 사용하여 다음 달의 매출을 예측합니다.
예측 작동 방식
예측 모델은 일일 세일즈 또는 월간 매출과 같이 정기적으로 기록된 값의 순서대로 내역 시계열 데이터에서 학습합니다. 모델은 추세 방향 및 계절성과 같은 패턴을 식별하고 해당 패턴을 미래로 예측하여 생성합니다.
예측 출력에는 예측의 불확실성을 나타내는 예측 간격이 포함됩니다. 상한과 하한은 예상 값의 범위를 정의하며, 더 좁은 범위는 더 높은 신뢰도를 나타냅니다.
각 예측 레코드에는 다음 출력이 포함됩니다.
- 예측 값 - 각 향후 기간에 대한 예측 값
- 예측 상한 - 예측 범위의 상단 끝
- 예측 하한 - 예측 범위의 하단 끝
다음 예측 개념을 검토하십시오.
파티션 열은 Data 360이 예측을 위해 데이터를 그룹화하는 방법을 정의합니다. 예를 들어, 계정별로 매출을 예측할 때 계정 필드는 파티션 열입니다. 각 모델은 최대 5개의 파티션 열을 지원하므로 여러 치수에서 세분화된 예측을 사용할 수 있습니다.
시간 시계열 그룹화는 분, 일, 월 또는 연도와 같은 데이터의 집계 간격을 정의합니다. 모델은 이 그룹에서 예측 주기를 자동으로 추론하며 별도로 구성하지 않습니다.
계절성은 주간 트래픽 급증 또는 분기별 판매 증가와 같은 고정 간격으로 반복되는 반복적인 패턴을 캡처합니다. 최대 24주기 동안 수동으로 계절성을 정의합니다.
Null 처리은 내장된 대치 방법으로 교육 데이터의 누락 값을 자동으로 부여합니다. 모델은 교육 중에만 대치된 값을 사용하며 예측 출력에 작성하지 않습니다.
고려 사항
다음 고려 사항을 검토하십시오.
-
예측 유추는 유추 청구계를 사용합니다.
-
배치 변환 예측은 처리된 행을 기반으로 데이터 변환 - 배치 계량기를 사용합니다.
-
누락된 값이 신뢰할 수 있게 대치되지 않을 경우 예측 추론이 중지됩니다.
- Holt Winters 예측 사용
Holt-Winters 알고리즘을 사용하여 단일 변수의 내역 패턴을 기반으로 향후 값을 예측합니다. 예를 들어 데이터 변환 사용하여 기회 데이터를 기반으로 계정별 세일즈를 예측합니다.
