Du er her:
Prognose
Bruk prognoser i Data 360 til å forutsi fremtidige verdier fra historiske data. Prognosemodeller identifiserer automatisk trender og sesongmønstre for å generere forutsigelser uten å kreve datavitenskapelig ekspertise.
Standardalgoritmen er Holt-Winters, og den passer best for strukturerte tidsseriedata med tydelige trender og gjentagende sesongmønstre. For eksempel detaljhandel som har høyeste omsetning hvert kvartal eller månedlig omsetning som vokser jevnt over tid.
Alle prognosemodeller og -algoritmer bruker den nye kjøretiden.
Prognoser støtter ulike brukstilfeller.
- Omsetningsprognose: forutsi fremtidige omsetningstrender med historiske ytelsesdata
- Forespørselsplanlegging: beregne etterspørsel etter produkter eller tjenester på tvers av tidsperioder
- Salgstrendanalyse: identifisere vekst- eller nedgangsmønstre i pågående arbeid eller bestillinger
- Kapasitetsplanlegging: lage prognoser for ressursbehov basert på historiske trender for bruk
- Sesongmønsteranalyse: analysere gjentagende topp- og nedturer i forretningsaktivitet
Prognoser med én variasjon aktiverer disse brukstilfellene ved å bruke én historisk variabel. Du kan for eksempel lage en prognose for neste måneds omsetning ved å bruke bare tidligere omsetningsdata når det finnes en tydelig definert måling.
Slik fungerer prognoser
Prognosemodeller lærer fra historiske tidsseriedata – en sekvens av verdier som registreres med regelmessige intervaller, som daglig salg eller månedlig omsetning. Modellen identifiserer mønstre, som trendretning og sesongfølsomhet, og projiserer disse mønstrene inn i fremtiden for å generere forutsigelser.
Prognoseutdata inkluderer forutsigelsesintervaller som representerer usikkerhet i prognosen. De øvre og nedre grensene definerer området med forventede verdier, der smalere områder indikerer høyere konfidens.
Hver prognosepost inkluderer disse utdataene:
- Prognoseverdi: Den forutsagte verdien for hver fremtidig tidsperiode
- Prognose øvre grense – den øvre enden av det forutsagte området
- Prognosen nedre grense – den nedre enden av det forutsagte området
Se gjennom disse prognosekonseptene.
Partijonskolonner definerer hvordan Data 360 grupperer data for prognoser. Når du for eksempel lager prognoser for omsetning etter konto, er kontofeltet partisjonskolonnen. Hver modell støtter opptil fem partisjonskolonner som aktiverer segmentert prognose på tvers av flere dimensjoner.
Tidsseriegruppering definerer aggregeringsintervallet for dataene, som minutt, dag, måned eller år. Modellen utleder automatisk prognosehyppighet fra denne grupperingen, og du konfigurerer den ikke separat.
Seasonality fanger opp tilbakevendende mønstre som gjentas over et fast intervall, som ukentlige trafikkspiker eller kvartalsvise salgsøkninger. Definer sesongfølsomhet manuelt for opptil 24 perioder.
Null-håndtering tilskriver manglende verdier i opplæringsdata automatisk med den innebygde tilskrivingsmetoden. Modellen bruker tilskrevne verdier bare under opplæring og skriver dem ikke til prognoseutdata.
Vurderinger
Se gjennom disse viktige punktene.
-
Prognoseutledning bruker utledingsfaktureringsmåleren.
-
Batchtransformasjonsprognoser bruker også datatransformasjonen – batchmåleren basert på rader som behandles.
-
Hvis manglende verdier ikke tilskrives på en pålitelig måte, stopper prognoseutledningen.
- Bruke Holt Winters-prognoser
Forutsi fremtidige verdier basert på historiske mønstre i en enkelt variabel ved å bruke Holt-Winters-algoritmen. Bruk for eksempel en datatransformasjon til å lage prognoser for salg etter konto basert på salgsmulighetsdata.
