Référence : Algorithmes d’apprentissage automatique pour Adaptive Planning
Adaptive Planning propose plusieurs calculs pour la prévision prédictive et un pour la détection d'anomalies. Tous les calculs fournissent des résultats suffisants. Nous vous recommandons toutefois d’effectuer un processus d’essai et d’erreur afin de trouver le meilleur algorithme pour vos données.
Le tableau fournit des directives générales et des capacités pour vous aider à faire vos choix. Vérifiez toujours l’exactitude de vos données prévisionnelles.
Comparaison d'algorithmes
En plus du ratio de 3:2 entre les points de données de référence et les points de données prévisionnels, vous devez également avoir les points de données minimums répertoriés dans le tableau pour chaque algorithme.
Algorithme | Détails | Exigences et capacités |
|---|---|---|
AutoFit | Modèle de classeur | Saisonnalité : Annuel, Semestriel et Trimestriel avec une option Hebdomadaire et Multiplicative.Points de données minimum dans la référence : 15 Leviers : Oui Remarques : idéal pour les données qui sont :
AutoFit peut appliquer des calculs qui ne prennent pas en charge certaines fonctionnalités. Exemple : lorsque AutoFit applique Croton, il n’utilise pas de critères de sélection de saisonnières ni de critères. |
ARIMA (Moyenne mobile autorégressive intégrée) | Modèle de moyenne mobile et autorégressif. | Saisonnalité : prend automatiquement en compte les incidences saisonnières sans spécifications définies par l’utilisateur.
Points de données minimum dans la référence : 10Leviers : ouiNotes :
|
Croston | Modèle de lissage exponentiel. | Saisonnalité : nonPoints de données minimum dans la référence : 2Leviers : Non Remarques :
|
Holt-Winters | Modèle de saisonnalité additionnel ou multiplicatif.
Lissage exponentiel. | Saisonnalité : Annuel, Semestriel et Trimestriel avec une option Multiplicative. Points de données minimum dans la référence : 9 Leviers : Non Remarques :
|
Filtre de Kalman | Un modèle d’espace d’États.
Estimation des valeurs futures en fonction des valeurs historiques connues dans une série chronologique. Estimation récursive des valeurs moyennes des prévisions en tenant compte des composantes de brouillon à chaque étape et des estimations obtenues à l’étape précédente. | Saisonnalité : option permettant d’indiquer si vous souhaitez comptabiliser ou non le caractère saisonnier. Points de données minimum dans la référence : 2 Leviers : Non Remarques :
|
LightGBM | Modèle d’apprentissage supervisé.
Utilise les décalages et leur incidence sur la prévision. | Saisonnalité : nonPoints de données minimum dans la référence : 12 Leviers : Oui Remarques :Idéal pour les scénarios de prévision de la demande. |
N-BEATS | Modèle d’apprentissage de métadonnées démarré avec des jeux de données publics.
Crée un réseau neural ayant une connaissance générale des séries chronologiques historiques. Formé sur plus de 60 000 séries chronologiques que le domaine public utilise également. Rapide, car il utilise un modèle unique pour chaque série chronologique. | Saisonnalité : prend automatiquement en compte les incidences saisonnières sans spécifications définies par l’utilisateur.Points de données minimum dans la référence : 2Leviers : Non |
Orbit DLT | Modèle de tendances additionnel et amorti | Saisonnalité : Annuel, Semestriel et Trimestriel. Points de données minimum dans la référence : 2Leviers : Non Remarques :Idéal pour les données avec :
|
Prophet | Un modèle additive avec des tendances non linéaires
Présente le processus de prévision comme un problème d’ajustement de valeur et tient compte des saisonnières et des leviers externes. | Saisonnalité : Annuel, Semestriel et Trimestriel avec une option Hebdomadaire et Multiplicative.Points de données minimum dans la référence : 2 Leviers : Oui Remarques :Idéal pour les données avec :
|