Du är här:
Prognostisering
Använd prognoser i Data 360 för att förutsäga framtida värden från historiska data. Prognosmodeller identifierar automatiskt trender och säsongsmönster för att generera förutsägelser utan att kräva datavetenskaplig expertis.
Standardalgoritmen är Holt-Winters och den är bäst lämpad för strukturerade tidsseriedata med tydliga trender och återkommande säsongsmönster. Till exempel försäljning i detaljhandeln som når sin topp varje kvartal eller månatliga intäkter som växer stadigt över tid.
Alla prognosmodeller och algoritmer använder den nya runtime.
Prognoser har stöd för olika användningsfall.
- Intäktsprognos: förutsäg framtida intäktstrender med historiska resultatdata
- Efterfrågansplanering: uppskatta efterfrågan på produkter eller tjänster över tidsperioder
- Säljtrendanalys: identifiera tillväxt- eller nedgångsmönster i pipeline eller bokningar
- Kapacitetsplanering: prognosresursbehov baserat på historiska användningstrender
- Analys av säsongsmönster: analysera återkommande toppar och nedgångar i verksamhetsaktivitet
Prognoser med en variabel aktiverar dessa användningsfall genom att använda en historisk variabel. Prognostisera till exempel nästa månads intäkter genom att endast använda tidigare intäktsdata när ett tydligt definierat mått finns.
Hur prognoser fungerar
Prognosmodeller lär sig från historiska tidsseriedata — en sekvens av värden som registreras med regelbundna intervaller, till exempel daglig försäljning eller månatliga intäkter. Modellen identifierar mönster, som trendriktning och säsongsmässighet, och projekterar dessa mönster in i framtiden för att generera förutsägelser.
Prognosresultat inkluderar förutsägelseintervall som representerar osäkerhet i prognosen. De övre och nedre gränserna definierar intervallet av förväntade värden, där smalare intervall indikerar högre förtroende.
Varje prognostiserad post innehåller dessa utdata:
- Prognostiserat värde—det förutsagda värdet för varje framtida tidsperiod
- Prognosens övre gräns — den övre delen av det förutsagda intervallet
- Prognos nedre gräns—den nedre delen av det förutsagda intervallet
Gå igenom dessa prognoskoncept.
Partitionskolumner definierar hur Data 360 grupperar data för prognostisering. Till exempel, vid prognostisering av intäkter efter konto är kontofältet partitionskolumnen. Varje modell har stöd för upp till fem partitionskolumner, vilket möjliggör segmenterade prognoser över flera dimensioner.
Tidsseriegruppering definierar aggregeringsintervallet för data, till exempel minut, dag, månad eller år. Modellen härleder automatiskt prognosfrekvensen från denna gruppering och du konfigurerar den inte separat.
Säsongsmässighet samlar in återkommande mönster som upprepas över ett fast intervall, till exempel veckovisa trafiktoppar eller kvartalsvisa försäljningsökningar. Definiera säsongsmässighet manuellt för upp till 24 perioder.
Nullhantering beräknar automatiskt saknade värden i inlärningsdata med den inbyggda imputationsmetoden. Modellen använder endast kalkylerade värden under utbildning och skriver dem inte till prognosresultat.
Att tänka på
Gå igenom dessa saker att tänka på.
-
Prognosslutledning konsumerar slutledningsfaktureringsmätaren.
-
Prognoser för batchtransformering använder även Datatransformering—Batchmätare baserat på rader som behandlas.
-
Om saknade värden inte kalkyleras tillförlitligt stoppas prognostiseringsslutsatsen.
- Använd Holt Winters-prognoser
Förutsäg framtida värden baserat på historiska mönster i en enskild variabel genom att använda Holt-Winters-algoritmen. Använd till exempel en datatransformering för att prognostisera försäljning efter konto baserat på säljprojektdata.
