Überlegungen zum Setup: Prädiktives Prognosetool

Adaptive Planning

Dieses Thema kann als Entscheidungshilfe bei der Planung Ihrer Konfiguration und bei der Verwendung des prädiktiven Prognosetools dienen. Darin wird Folgendes erläutert:

Warum es eingerichtet werden sollte.

Wie sie sich in Workday einfügt.

Nachgelagerte Auswirkungen und produktübergreifende Interaktionen.

Sicherheitsanforderungen und Geschäftsprozesskonfigurationen.

Fragen und Einschränkungen, die vor der Implementierung zu berücksichtigen sind.

Vollständige Konfigurationsdetails finden Sie in den detaillierten Anweisungen zur Aufgabe.

Worum es geht

Das prädiktive Prognosetool ist eine Funktion für die intelligente Planung, die auf Machine Learning (ML) basiert. Das prädiktive Prognosetool erstellt Planversionen mit ML-generierten Daten, die Budgetmanagern als zuverlässiges Startpunkt dienen. Mit "Prädiktive Prognose" wählen und testen Sie verschiedene Algorithmen, um Zeitreihenprognosen basierend auf den historischen Daten und Regressordaten zu generieren, die Sie in Adaptive Planning definieren.

Vorteile für Ihr Unternehmen

Erweiterte ML-Technologie in Adaptive Planning verwenden.

Verbessern Sie die Genauigkeit, indem Sie ML die Verarbeitung großer Datenmengen, Muster und Treiber ermöglichen.

Verkürzen Sie die Zeit für den Abschluss eines Planungszyklus mit vorab trainierten ML-Algorithmen.

Generieren Sie Startdaten für große Schnittpunkte mit geringem manuellen Aufwand.

Verwenden Sie Zeitpläne, um Prognoseläufe und rollierende Prognosen zu automatisieren, damit beim Import von Istdaten Prognosen auf rollierender Basis generiert werden können.

Vorschau nur für Mandanten: Verwenden Sie Zeitpläne, um Prognoseläufe zu automatisieren.

Anwendungsfälle

Als Einzelhandelsunternehmen müssen Sie planen, wie viele Produkteinheiten Sie voraussichtlich an jedem Standort verkaufen werden. Außerdem möchten Sie ein potenzielles Produkt analysieren. Sie haben ein Cube-Tabellenblatt, das Vertriebsdetails aus den vorherigen Jahren enthält. Sie haben ein Standardtabellenblatt für GuV, das Ihre Ertragskonten enthält.

Sie haben folgende Möglichkeiten:

Definieren Sie die historische Referenz. Ihre historischen Daten müssen Istzahlen enthalten, aber Sie können auch Planversionen zur Referenz und zu Hebeln hinzufügen. Beispiel: Sie können Ihre Istzahlen-Referenz so definieren, dass sie im Jahr 2018 beginnt und Ende 2019 endet. Sie können die Geschäftsperiode 2020 in Ihren Istzahlen überspringen, da dies ein ungewöhnliches Jahr war. Stattdessen können Sie die historische Planversion für 2020 referenzieren.

Wählen Sie einen Algorithmus, der die Saisonalität unterstützt, wenn Ihre Daten dies erfordern. Beispiel: Wenn die Verkäufe während der Feiertagszeit am Ende des Jahres steigt, können Sie angeben, dass der Algorithmus jährliche saisonale Muster berücksichtigen soll.

Generieren Sie verschiedene Sätze von prognostizierten Daten in verschiedenen Tabellenblättern oder dasselbe Tabellenblatt für verschiedene Versionen. Beispiel: Sie können im Budgetplan 2025 für das Standardtabellenblatt der Gewinn- und Verlustrechnung eine Prognose für alle Ertragskonten im Hauptbuch generieren. Sie können auch eine Prognose für die What-if-Analyse 2025 in Ihrem Ertrags-Cube für eine bestimmte Produktdimension generieren.

Verwenden Sie Ebenen- und Dimensionsfilter, um die prognostizierten Daten zu lokalisieren. Beispiel: Sie können eine Prognose für die Vertriebsebene „Nordwesten“ und bestimmte Produkte ausführen. Führen Sie eine separate Prognose für „Südwesten - Vertrieb“ und für andere Produkte aus.

Verwenden Sie unterschiedliche Algorithmen für verschiedene Datensätze oder verschiedene Läufe derselben Daten. Beispiel: Wählen Sie den Prophet-Algorithmus für die Prognose für GuV-Konten. Nachdem Sie die prognostizierten Daten geprüft haben, können Sie N-BEATS testen. Vergleichen Sie die Prognosen mit Berichten, um zu sehen, welcher Algorithmus am besten zu diesem bestimmten Datensatz passt.

Richten Sie die Prognose zu Beginn des Jahres ein, wenn Sie Ihren Planungszyklus starten. Verwenden Sie die Funktion für Zeitplanung und rollierende Prognosen, um automatisch Prognosen zu generieren, wenn Sie mehr Istdaten für das Jahr erfassen.

Sparen Sie Zeit, indem Sie vorhandene Prognosen duplizieren, sodass Sie schnell Änderungen gegenüber einer Basisdefinition vornehmen können. Beispiel: Sie können die Start- und Endperiode duplizieren und nur die Konten ändern.

Zu berücksichtigende Fragen

Frage	Überlegungen
Wie genau waren Ihre Prognosen in der Vergangenheit und wie viel Zeit benötigt Ihr Team für die Planung von Prognosen?	Wir stellen ML-Algorithmen bereit, die eine forschungsbasierte und mathematische Methode bieten, um genauere Prognosen und Budgets zu erhalten. Durch die Verwendung von Machine Learning-Prognosen werden Ihrem Team Startdaten zur Verfügung gestellt, wodurch Ihr Team wertvolle Zeit sparen und die Genauigkeit verbessern kann.
Unterstützen Ihre Istdaten das prädiktive Prognosetool?	Sie müssen ein Verhältnis von 3:2 zu Ist-Datenpunkten zu prognostizierten Datenpunkten haben. Beispiel: Eine Prognose für 2 Jahre erfordert Istdaten für 3 Jahre. Darüber hinaus stellen einige Algorithmen eine Mindestanforderung für Datenpunkte in den historischen Daten fest. Siehe: Referenz: Machine Learning-Algorithmen für Adaptive Planning . Jede Prognose wird in einem bestimmten Standard- oder Cube-Tabellenblatt ausgeführt. Sie können nur Daten aus und in Cube- und Standardtabellenblättern prognostizieren. Sie können nur Hauptbuch-, benutzerdefinierte und Cube-Standardkonten prognostizieren und referenzieren.
Haben Ihre Istzahlen viele Leerstellen oder Nullen?	Je vollständiger Ihre Istdaten, desto genauer die Prognose. Die Algorithmen behandeln fehlende oder leere historische Daten als Nullen, was sich auf die Prognose auswirken kann. Wenn Ihre Istdaten spärlich sind, verwenden Sie die Algorithmen, die sich am besten für spärliche Daten eignen. Referenz: Machine Learning-Algorithmen für Adaptive Planning
Wie häufig laden Sie neue Istzahlen?	Sie können die rollierenden Prognosen verwenden, um die Start- und Endperioden der Prognose am Datum für Abgeschlossene Werte bis der Referenzdaten auszurichten. Wenn Sie diese Option auswählen, werden die Prognoseperioden und die Referenzdaten nach vorne verschoben, um aktuelle und genauere Vorhersagen zu gewährleisten.
Wie weit möchten Sie prognostizieren?	Richten Sie die Start- und Endperiode der Prognose so ein, dass Sie nur so weit wie nötig eine Prognose erstellen. Je weiter Sie prognostizieren, desto ungenauer wird die Prognose.
Welche anderen Daten möchten Sie außer Istdaten in Adaptive Planning für Ihre Prognosen verwenden?	Sie können externe Daten in der Prognose verwenden, indem Sie sie in ein modelliertes Hebelblatt importieren. Um Hebel zu verwenden, müssen Sie einen der folgenden Algorithmen verwenden: AutoFit LightGBM Orbit DLT Prophet AutoAnpassen verwendet die Hebeldaten nur, wenn ein Algorithmus angewendet wird, der Hebel unterstützt. Sie können auch die Saisonalitätsoptionen verwenden, es sei denn, Sie wählen die folgenden Algorithmen aus: Croston LightGBM N-BEATS
Wie sicher definieren Sie die Saisonalität?	Saisonalität ist das Zeitintervall, in dem Werte ein sich wiederholendes Muster aufweisen. Verwenden Sie die folgenden Algorithmen, wenn Sie die Saisonalitätsmuster definieren möchten: AutoFit Holt-Winters Orbit DLT Prophet AutoAnpassen verwendet die von Ihnen definierte Saisonalität nur, wenn ein Algorithmus ausgewählt wird, der Saisonalität unterstützt. Verwenden Sie die folgenden Algorithmen, damit der Algorithmus die Saisonalität selbst erfasst: Kalman-Filter LightGBM N-BEATS Siehe: Referenz: Machine Learning-Algorithmen für Adaptive Planning.

Empfehlungen

Filtern Sie Prognosen nach weniger Konten, Ebenen und benutzerdefinierten Dimensionen. Wenn Sie Ihre Prognosedefinition einschränken, werden die prognostizierten Daten schneller generiert.

Führen oder planen Sie Prognosen mindestens einen Tag, bevor die prognostizierten Daten voraussichtlich in Ihren Plan geladen werden. Prognosen mit vielen Konten und Ebenen können länger dauern.

Wenn Ihre historischen Daten aufgrund von Sparsität viele Leerstellen enthalten, empfehlen wir die Verwendung von Croston oder AutoAnpassen, wodurch für jede Datenreihe basierend auf den Referenzdaten ein Algorithmus ausgewählt wird.

Planen Sie Prognosen so, dass sie automatisch ausgeführt werden. Oder geben Sie eine Zeit und eine Person an, die die Prognosen ausführen soll, damit Sie dies nicht vergessen.

Verwenden Sie intuitive Namen für die Prognose, damit Sie die Prognose erneut ausführen können, ohne sie neu definieren zu müssen.

Synchronisieren Sie die Prognose mit den letzten Istdaten-Ladungen, indem Sie das Kontrollkästchen

Rollierende Prognose

aktivieren. Dieses Kontrollkästchen verschiebt die Prognose und die Referenz nach vorne, wenn Sie Istdaten laden, um die letzte Istzahlen-Referenz einzuschließen.

Anforderungen

Im Standard- oder Cube-Tabellenblatt, das Sie für historische und prognostizierte Daten auswählen, müssen Istdaten vorhanden sein.

Um Hebel zu verwenden, müssen Sie die externen Daten in ein modelliertes Tabellenblatt importieren und den DLT-Algorithmus Prophet, AutoAnpassen, LiteGBM oder Orbit auswählen.

Unabhängig von Ihrer Kalenderstruktur benötigen Sie, um die Saisonalitätsoptionen zu verwenden, wenn sie verfügbar sind, Folgendes:

3 Jahre Istzahlen für jährliche Saisonalität.

18 Monate Istzahlen bei halbjährlicher Saisonalität.

9 Monate Istzahlen für vierteljährliche Saisonalität.

Bei vielen Algorithmen sind Minimumwerte für Datenpunkte in der historischen Referenz erforderlich. Darüber hinaus müssen Sie ein Verhältnis von mindestens 3:2 für Ist-Datenpunkte zu prognostizierten Datenpunkten haben. Beispiel: Eine Prognose für 2 Jahre erfordert Istdaten für 3 Jahre.

Für die Option „Wöchentliche Saisonalität“ muss der Zeitbereich für alle Versionen, die in der Prognose referenziert werden, eine tägliche Häufigkeit haben. Siehe: FAQ: Prädiktives Prognosetool.

Einschränkungen

Sie können keine Prognose für modellierte Tabellenblätter oder modellierte Konten erstellen.

Tabellenblätter, Zelle analysieren und Audit-Trail zeigen aktuell nicht an, wann ML die Daten generiert hat.

Sie können keine verknüpften Konten, Metrikkonten oder Konten mit Standardformeln prognostizieren. Sie können jedoch ML-vorhergesagte Daten in Formeln und Verknüpfungen referenzieren.

Sie können nur bis zu drei Regressoren verwenden.

Die Prognose schließt aktualisierte Referenzdaten nicht automatisch in Ihre Istzahlen ein. Sie müssen die Prognoseperiode manuell aktualisieren, um die aktualisierten Referenzdaten in Ihre Istzahlen aufzunehmen.

Wenn Sie einen Nicht-Standardkalender verwenden, sind die Ergebnisse ungenauer. Beispiel: 4-4-5-Kalender für Anwendungsfälle für den Einzelhandel.

Sie können keine Prognosen für Tabellenblätter mit benutzerdefinierten Dimensionen erstellen, die diese Einstellung aktiviert haben:

Datenimport erstellt automatisch Dimensionswerte

Mandanten-Setup

Keine Auswirkungen.

Sicherheit

Berechtigung Prädiktives Prognosetool
.

Zugriff auf die Ebenen, Konten und Versionen, die Sie in die Prognose einschließen möchten.

Geschäftsprozesse

Keine Auswirkungen.

Reporting

Sie können Berichte zu Prognosen erstellen, die von einem prädiktiven Prognosetool generiert wurden.

Integrationen

Keine Auswirkungen.

Verbindungen und Touchpoints

Workday bietet ein Touchpoints Kit mit Ressourcen, die Ihnen helfen, die Konfigurationsbeziehungen in Ihrem Mandanten besser zu verstehen. Erfahren Sie mehr über das Workday Touchpoints Kit in der Workday Community.

Sonstige Auswirkungen

Das Ausführen von Prognosen wirkt sich auf die Gesamt-Performance Ihres Modells in ähnlicher Weise aus wie jeder Integrationsimportprozess.