Você está aqui:
Previsões
Use previsões no Data 360 para prever valores futuros com base em dados históricos. Os modelos de previsão identificam automaticamente tendências e padrões sazonais para gerar previsões sem exigir conhecimento em ciência de dados.
O algoritmo padrão é Holt-Winters e é mais adequado para dados de série temporal estruturados com tendências claras e padrões sazonais recorrentes. Por exemplo, vendas de varejo que atingem o pico a cada trimestre ou receita mensal que cresce de modo constante ao longo do tempo.
Todos os modelos e algoritmos de previsão usam o novo tempo de execução.
As previsões oferecem suporte a vários casos de uso.
- Previsões de receita: prever tendências de receita futuras com dados de desempenho histórico
- Planejamento de demanda: estimar a demanda de produto ou serviço em períodos
- Análise de tendências de vendas: identificar padrões de crescimento ou recusa no pipeline ou nos registros
- Planejamento de capacidade: previsão das necessidades do recurso com base em tendências de uso históricas
- Análise de padrão sazonal: analisar picos e quedas recorrentes na atividade dos negócios
As previsões de variável única habilitam esses casos de uso usando uma variável histórica. Por exemplo, preveja a receita do mês seguinte usando apenas dados de receita anteriores quando houver uma métrica claramente definida.
Como as previsões funcionam
Os modelos de previsão aprendem com base em dados de série temporal histórica, uma sequência de valores registrados a intervalos regulares, como vendas diárias ou receita mensal. O modelo identifica padrões, como direção da tendência e sazonalidade, e projeta esses padrões para o futuro para gerar previsões.
Saídas de previsão incluem intervalos de previsão que representam a incerteza na previsão. Os limites superior e inferior definem o intervalo de valores esperados, em que os intervalos mais estreitos indicam maior confiança.
Cada registro previsto inclui estas saídas:
- Valor previsto – o valor previsto para cada período futuro
- Limite superior da previsão – o fim superior do intervalo previsto
- Limite inferior da previsão – o fim inferior do intervalo previsto
Revise estes conceitos de previsão.
As colunas de partição definem como o Data 360 agrupa dados para previsões. Por exemplo, ao prever a receita por conta, o campo de conta é a coluna de partição. Cada modelo oferece suporte a até cinco colunas de partição, habilitando previsões segmentadas em várias dimensões.
O agrupamento de série temporal define o intervalo de agregação para os dados, como minuto, dia, mês ou ano. O modelo infere automaticamente a frequência de previsões desse agrupamento e você não a configura separadamente.
A sazonalidade captura padrões recorrentes que se repetem em um intervalo fixo, como picos semanais de tráfego ou aumentos trimestrais de vendas. Defina a sazonalidade manualmente para até 24 períodos.
A manipulação nula atribui valores ausentes nos dados de treinamento automaticamente com o método de imputação integrado. O modelo usa valores imputados apenas durante o treinamento e não os grava em saídas de previsão.
Considerações
Revise estas considerações.
-
A inferência de previsão consome o medidor de faturamento de inferência.
-
As previsões de transformação em lote também consomem a transformação de dados – medidor em lote com base nas linhas processadas.
-
Se os valores ausentes não forem atribuídos de modo confiável, a inferência de previsão será interrompida.
- Usar previsões Holt Winters
Preveja valores futuros com base em padrões históricos em uma única variável usando o algoritmo Holt-Winters. Por exemplo, use uma transformação de dados para prever vendas por conta com base nos dados de oportunidade.
