您位於此處：
預測
在 Data 360 中使用預測,以從歷程記錄資料預估未來的值。預測模型會自動識別趨勢和季節性模式,以產生預估,而不需要資料科學專業知識。
預設演算法為 Holt-Winters,最適合具有明確趨勢和循環季節性模式的結構化時間序列資料。例如,每季最高的零售銷售,或隨著時間穩定成長的每月收入。
備註
所有預測模型和演算法都會使用新的執行階段。
預測支援各種使用個案。
- 收入預測:使用歷程記錄績效資料預估未來收入趨勢
- 需求規劃:估計跨期間的產品或服務需求
- 銷售趨勢分析:識別銷售管道或預訂中的成長或衰退模式
- 產能規劃:根據歷程記錄使用趨勢預測資源需求
- 季節模式分析:分析業務活動中的週期性高峰和下降
單一變體預測透過使用一個歷程記錄變數來啟用這些使用個案。例如,在存在明確定義的度量時,僅使用過去收入資料來預測下個月的收入。
預測的運作方式
預測模型會從歷程記錄時間序列資料中學習,即定期記錄的值序列,例如每日銷售或每月收入。模型會識別趨勢方向和季節性等模式,並將這些模式投影到未來以產生預估。
預測輸出包含代表預測不確定性的預估間隔。上限與下限會定義預期值的範圍,較窄的範圍則表示信賴較高。
每個預測記錄都包含以下輸出:
- 預測值—每個未來期間的預估值
- 預測上限—預估範圍的高端
- 預測下限—預估範圍的下端
檢閱這些預測概念。
分割欄定義 Data 360 用於預測的資料分組方式。例如,當依帳戶預測收入時,帳戶欄位為分割欄。每個模型支援最多五個分割欄,可啟用跨多個維度的區隔預測。
時間序列分組會定義資料的彙總間隔,例如分鐘、日、月或年。模型會自動從此分組推斷預測頻率,且您不需要分開進行設定。
季節性會捕捉在固定間隔內重複的循環模式,例如每週流量高峰或每季銷售量增加。手動定義最多 24 個週期的季節性。
使用內建填補方法,空值處理會自動填補訓練資料中的遺漏值。模型只會在訓練期間使用填補值,且不會將其寫入預測輸出。
考量事項
檢閱這些考量事項。
-
預測推斷會耗用推斷帳單量。
-
批次轉換預測也會根據處理的列耗用資料轉換—批次量表。
-
如果遺漏值無法可靠地填補,則預測推斷會停止。
- 使用 Holt Winters 預測
使用 Holt-Winters 演算法,根據單一變數中的歷程記錄模式預估未來值。例如,使用資料轉換根據機會資料來依帳戶預測銷售。
此文章是否解決您的問題？
請讓我們知道，以便我們改進！
