U bent hier:
Prognoses
Gebruik prognoses in Data 360 om toekomstige waarden te voorspellen op basis van historische gegevens. Prognosemodellen identificeren automatisch trends en seizoensgebonden patronen om voorspellingen te genereren zonder dat hiervoor expertise op het gebied van datawetenschappen nodig is.
Het standaardalgoritme is Holt-Winters en is het meest geschikt voor gestructureerde tijdreeksgegevens met duidelijke trends en terugkerende seizoensgebonden patronen. Bijvoorbeeld detailhandelsverkopen die elk kwartaal pieken of maandelijkse omzet die gestaag groeit in de loop van de tijd.
Alle prognosemodellen en algoritmen gebruiken de nieuwe run-time.
Prognoses ondersteunen verschillende gebruikscases.
- Omzetprognose: toekomstige omzettrends voorspellen met historische prestatiegegevens
- Vraagplanning: schat de vraag naar producten of diensten over tijdsbestekken
- Verkooptrendanalyse: groei- of dalingspatronen in pijplijn of boekingen identificeren
- Capaciteitsplanning: prognoseresourcebehoeften op basis van historische gebruikstrends
- Seizoenspatroonanalyse: analyseer terugkerende pieken en dalen in bedrijfsactiviteit
Prognoses met één variabele schakelen deze gebruikscases in door middel van één historische variabele. Maak bijvoorbeeld een prognose van de omzet van de volgende maand door alleen omzetgegevens uit het verleden te gebruiken wanneer er een duidelijk gedefinieerd meetgegeven bestaat.
Hoe prognoses werken
Prognosemodellen leren van historische tijdreeksgegevens—een reeks waarden die met regelmatige tussenpozen worden vastgelegd, zoals dagelijkse verkoop of maandelijkse omzet. Het model identificeert patronen, zoals trendrichting en seizoensgebondenheid, en projecteert die patronen naar de toekomst om voorspellingen te genereren.
Prognose-uitvoer omvat voorspellingsintervallen die onzekerheid in de prognose vertegenwoordigen. De boven- en ondergrens definiëren het bereik van verwachte waarden, waarbij smallere bereiken duiden op een hoger vertrouwen.
Elke geprognosticeerde record omvat deze uitvoer:
- Geprognosticeerde waarde: de voorspelde waarde voor elk toekomstig tijdsbestek
- Prognosebovengrens—het hoge punt van het voorspelde bereik
- Ondergrens van prognose: de ondergrens van het voorspelde bereik
Bekijk deze prognoseconcepten.
Partitiekolommen definiëren hoe Data 360 gegevens groepeert voor prognoses. Bij het voorspellen van omzet op account is het accountveld bijvoorbeeld de partitiekolom. Elk model ondersteunt maximaal vijf partitiekolommen, waardoor gesegmenteerde prognoses over meerdere dimensies mogelijk zijn.
Tijdreeksgroepering definieert het aggregatie-interval voor de gegevens, zoals minuut, dag, maand of jaar. Het model leidt automatisch de prognosefrequentie af uit deze groepering en u configureert deze niet afzonderlijk.
Seizoensgebondenheid legt terugkerende patronen vast die zich over een vast interval herhalen, zoals wekelijkse pieken in het verkeer of stijgingen van de kwartaalverkopen. Definieer seizoensgebondenheid handmatig voor maximaal 24 perioden.
Null-afhandeling rekent ontbrekende waarden in trainingsgegevens automatisch toe met de ingebouwde toerekeningsmethode. Het model gebruikt toegerekende waarden alleen tijdens training en schrijft ze niet naar prognose-uitvoer.
Overwegingen
Neem deze overwegingen door.
-
Prognose-inferentie verbruikt de factureringsmeter voor inferentie.
-
Prognoses voor batchtransformatie verbruiken ook de gegevenstransformatie: batchmeter op basis van verwerkte rijen.
-
Als ontbrekende waarden niet betrouwbaar worden toegerekend, stopt de prognoseconferentie.
- Holt Winters Forecasting gebruiken
Voorspel toekomstige waarden op basis van historische patronen in één variabele met behulp van het Holt-Winters-algoritme. Gebruik bijvoorbeeld een gegevenstransformatie om verkoop op account te voorspellen op basis van opportunitygegevens.
