Référence : algorithmes de machine learning pour Adaptive Planning

Adaptive Planning propose plusieurs algorithmes pour les prévisions prédictives et un pour la détection des anomalies. Tous les algorithmes fournissent des résultats suffisants. Néanmoins, nous vous recommandons de procéder à un processus d'essai et d'erreur pour trouver le meilleur algorithme pour vos données.

Le tableau ci-dessous fournit des recommandations générales et des fonctionnalités pour vous aider à effectuer vos sélections. Vérifiez toujours que vos données prévisionnelles sont exactes.

Comparaison des algorithmes

En plus du ratio 3:2 entre les points de données de référence et les points de données prévisionnels, vous devez également disposer des points de données minimum répertoriés dans le tableau pour chaque algorithme.

Algorithme	Informations	Configuration requise et fonctionnalités
AutoFit	Modèle de classeur	Saisonnalité : Annuelle, Bisannuelle et Trimestrielle avec une option Hebdomadaire et Multiplicative. Points de données minimum en référence : 15 Leviers : oui Remarques : il est recommandé pour les données : Complexe et pouvant nécessiter des algorithmes différents par série de données. Difficile à comprendre pour vous. AutoFit peut appliquer des algorithmes qui ne prennent pas en charge certaines fonctionnalités. Exemple : lorsque AutoFit applique Croton, il n'utilise pas la saisonnalité ou les leviers.
ARIMA	Modèle d'auto-régressif et de moyenne mobile.	Saisonnalité : prend automatiquement en compte les impacts de la saisonnalité sans spécifications définies par l'utilisateur. Points de données minimum en référence : 10 Leviers : oui Remarques : Utilisé principalement pour les prévisions à court terme, mais pas pour les prévisions à plus long terme. Bon pour prévoir les métriques volatiles.
Croston	Modèle lissé exposant.	Saisonnalité : non Points de données minimum en référence : 2 Leviers : non Remarques : Utilisé principalement pour les données éparses avec des demandes intermittentes. Les résultats correspondent aux prévisions moyennes pour la période. Exemple : vous allez obtenir la moyenne (la même valeur) sur l'ensemble de la période.
Holt-Winters	Modèle de saisonnalité additif ou multiplicateur. Lissée exposant.	Saisonnalité : Annuelle, Biannuelle et Trimestrielle avec une option Multiplicative. Points de données minimum en référence : 9 Leviers : non Remarques : Utilisé principalement pour les données où les données les plus récentes nécessitent plus de pondération. Exemple : pendant la maladies, les achats ont présentant des tendances inhabituelles. Au cours des dernières années, les modèles d'achat se sont normalisés. Calcul efficace.
Filtre de Kalman	Un modèle d'espace d'état. Évalue les valeurs futures en fonction des valeurs historiques connues dans une série chronologique. Évalue de manière récurrente les valeurs moyennes des prévisions en tenant compte des composantes de Bruit à chaque étape et des estimations obtenues à l'étape précédente.	Saisonnalité : option qui vous permet d'indiquer si vous souhaitez ou non prendre en compte la saisonnalité. Points de données minimum en référence : 2 Leviers : non Remarques : Utilisé principalement pour les fluctuations aléatoires et aucune tendance visible. Calcul efficace.
LightGBM	Modèle de formation supervisé. Utilise les retards et leur impact sur la prévision.	Saisonnalité : non Points de données minimum en référence : 12 Leviers : oui Remarques : adapté aux scénarios de prévision exigeants.
N-BEATS	Modèle de formation Peut être démarré avec des jeux de données publics. Crée un réseau de la famille avec des connaissances générales sur la série chronologique historique. Entraîné sur plus de 60 000 de séries chronologiques que le domaine public utilise également. Vitesse, car elle utilise un seul modèle pour chaque série chronologique.	Saisonnalité : considère automatiquement les impacts de la saisonnalité sans spécifications définies par l'utilisateur. Points de données minimum en référence : 2 Leviers : non
Orbit DLT	Modèle de tendance additif et amorti	Saisonnalité : annuelle, biannuelle et trimestrielle. Points de données minimum en référence : 2 Leviers : non Remarques : recommandé pour les données avec : Les tendances claires. Cohérence de saisonnalité. Peu ou pas de valeurs hors norme.
Prophet	Un modèle additif avec des tendances non linéaires Définit le processus de prévision comme un problème d'ajustement de la courbe et tient compte des saisonnalités et des leviers externes.	Saisonnalité : Annuelle, Bisannuelle et Trimestrielle avec une option Hebdomadaire et Multiplicative. Points de données minimum en référence : 2 Leviers : oui Remarques : recommandé pour les données avec : Changements de tendances. Valeurs hors norme.