Éléments de définition : Predictive Forecaster
Cette rubrique peut vous aider à prendre les bonnes décisions lors de la planification de la configuration et de l'utilisation de Predictive Forecaster. Elle explique :
- Pourquoi la configurer ?
- Comment cette configuration s'intègre dans Workday.
- Les impacts en aval, ainsi que les interactions entre produits.
- Les conditions requises en matière de sécurité et les configurations du processus de gestion.
- Les questions à se poser et les limites à prendre en compte avant l'implémentation.
Reportez-vous aux instructions détaillées des tâches pour avoir une vision exhaustive de la configuration.
Ce que c'est
Predictive Forecaster est une fonctionnalité de planification intelligente développée par machine learning (ML). Predictive Forecaster alimente les versions de plan avec des données générées par ML, ce qui constitue un point de départ connu des responsables de budget. Avec la fonction de prévision prédictive, vous sélectionnez et testez différents algorithmes pour générer des prévisions de séries chronologiques en fonction des données historiques et de régression que vous définissez dans Adaptive Planning.
Avantages pour l'entreprise
- Utilisez la fonctionnalité ML avancée dans Adaptive Planning.
- Améliorer la précision en permettant à ML de traiter de gros volumes de données, de modèles et de pilotes.
- Réduire le temps nécessaire pour terminer un cycle de planification avec des algorithmes ML préformés.
- Générer des données de démarrage pour de grands ensembles d'intersections avec peu d'efforts manuels.
- Utilisez des calendriers pour automatiser les exécutions de prévisions et de prévisions mobiles afin de générer des prévisions de manière continue lorsque vous importez des données de montants réels.
- Environnements clients Preview uniquement : utilisez des calendriers pour automatiser les exécutions de prévisions.
Cas d'utilisation
En tant que grande entreprise du détail, vous devez planifier le nombre d'unités de produit que vous prévoyez de vendre pour chaque site. Vous souhaitez également analyser un produit potentiel. Vous disposez d'une feuille cube qui contient le détail des ventes des exercices précédents. Vous disposez d'une feuille standard de compte de résultat qui contient vos comptes de produits.
Vous pouvez :
- Définissez la référence historique. Vos données historiques doivent inclure les montants réels, mais vous pouvez également ajouter des versions du plan à la référence et aux leviers. Exemple : vous pouvez définir les références de montants réels pour qu'elles commencent en 2018 et se terminent à la fin de 2019. Vous pouvez ignorer la période comptable de 2020 dans vos montants réels car il s'agit d'un exercice inhabituel. À la place, vous pouvez référencer la version du plan historique pour 2020.
- Choisissez un algorithme qui prend en charge la saisonnalité lorsque vos données l'exigent. Exemple : lorsque les ventes augmentent en fin d'année pendant la période de vacances, vous pouvez indiquer que vous souhaitez que l'algorithme tienne compte des tendances de saisonnalité.
- Générer différents ensembles de données prévisionnelles dans différentes feuilles, ou la même pour différentes versions. Exemple : vous pouvez générer une prévision dans le plan de budget 2025 pour la feuille standard Compte de résultat pour tous les comptes de produits du Grand livre. Vous pouvez également générer une prévision pour l'Analyse de simulation 2025 dans votre cube Revenus pour une dimension de produit spécifique.
- Utiliser des filtres de périmètre et de dimension pour identifier les données prévisionnelles. Exemple : vous pouvez exécuter une prévision pour le périmètre Ventes Nord-Ouest et des produits spécifiques. Exécuter une prévision distincte pour Ventes Sud-Ouest et différents produits.
- Utilisez des algorithmes différents pour différents ensembles de données ou différentes exécutions des mêmes données. Exemple : sélectionnez l'algorithme Prophet pour la prévision des comptes de résultat. Après avoir révisé les données prévisionnelles, vous pouvez essayer N-BEATS. Comparer les prévisions avec les rapports pour voir quel algorithme est le mieux adapté à cet ensemble de données.
- Configurez les prévisions en début d'année, lorsque vous démarrez votre cycle de planification. Utiliser la fonctionnalité de planification et de report des prévisions pour générer automatiquement des prévisions au fur et à mesure que vous collectez des données de montants réels pour l'année.
- Gagner du temps en dupliquant les prévisions existantes, ce qui vous permet d'apporter des modifications rapides à partir d'une définition de base. Exemple : vous pouvez dupliquer les périodes de début et de fin, tout en modifiant uniquement les comptes.
Questions à se poser
Question | Éléments à prendre en compte |
|---|---|
Avec quelle précision vos prévisions ont-elles été dans le passé et combien de temps votre équipe a-t-elle besoin de planifier les prévisions ? | Nous fournissons des algorithmes de ML qui sont un moyen basé sur la Science et le calcul mathématiques pour obtenir des prévisions et des budgets plus précis. L'utilisation des prévisions ML fournit à votre équipe les données de base comme point de départ, ce qui peut faire gagner du temps à votre équipe et améliorer la précision. |
Vos données de montants réels prennent-elles en charge Predictive Forecaster ? |
|
Vos montants réels contiennent-ils de nombreux vides ou des zéros ? | Plus vos données de montants réels sont complètes, plus les prévisions sont précises. Les algorithmes traitent les données historiques manquantes ou vides comme des zéros, ce qui peut affecter la prévision. Lorsque vos données de montants réels sont éparses, utilisez les algorithmes les mieux adaptés aux données éparses. Référence : algorithmes de machine learning pour Adaptive Planning
|
À quelle fréquence chargez-vous de nouveaux montants réels ? | Vous pouvez utiliser les prévisions mobiles pour aligner les périodes de début et de fin des prévisions sur la date Valeurs terminées jusqu'à des données de référence. La sélection de cette option permet de déplacer les périodes de prévision vers l'avant et les données de référence vers l'avant pour garantir de nouvelles prédictions plus précises. |
Jusqu'à quelle période voulez-vous projeter ? | Configurez les périodes de début et de fin de vos prévisions de sorte que les prévisions de sortie soient dans la mesure du nécessaire. Plus vous établissez de prévisions, plus ces prévisions deviennent précises. |
En plus des données de montants réels dans Adaptive Planning, quelles autres données voulez-vous utiliser pour vos prévisions ? | Vous pouvez utiliser des données externes dans la prévision en les important dans une feuille modèle à levier. Pour utiliser les leviers, vous devez utiliser l'un des algorithmes suivants :
AutoFit utilise les données de levier uniquement lorsqu'il applique un algorithme qui prend en charge les leviers. Vous pouvez également utiliser les options de saisonnalité, sauf lorsque vous sélectionnez les algorithmes suivants :
|
Dans quelle mesure la définition de la saisonnalité est-elle simple ? | La saisonnalité désigne l'intervalle de temps dans lequel les valeurs ont un schéma répétitif. Utilisez les algorithmes suivants lorsque vous souhaitez définir les schémas de saisonnalité :
AutoFit utilise uniquement la saisonnalité que vous définissez lorsqu'il sélectionne un algorithme qui prend en charge la saisonnalité. Utilisez les algorithmes suivants pour laisser l'algorithme saisir lui-même la saisonnalité :
|
Recommandations
- Filtrer les prévisions en fonction de moins de comptes, de périmètres et de dimensions personnalisées. Le fait de limiter la définition de votre prévision permet de générer les données prévisionnelles plus rapidement.
- Exécutez ou planifiez des prévisions au moins 1 jour avant que les données prévisionnelles ne soient renseignées dans votre plan. Les prévisions avec de nombreux comptes et périmètres peuvent prendre plus de temps à s'exécuter.
- Lorsque vos données historiques comportent de nombreux espaces vides en raison de leur faible nombre, nous vous recommandons d'utiliser Croeston ou AutoFit, qui sélectionne un algorithme pour chaque série de données en fonction des données de référence.
- Planifier une exécution automatique des prévisions. Vous pouvez également désigner une heure et une personne pour exécuter les prévisions afin de ne pas les effacer.
- Utilisez des noms significatifs pour la prévision afin de pouvoir l'exécuter de nouveau sans avoir à la redéfinir.
- Synchronisez la prévision avec les derniers chargements de données de montants réels en cochant la case Prévisionmobile. Cette case à cocher déplace la prévision et la référence vers l'avant lorsque vous chargez les données de montants réels pour inclure la référence de montants réels la plus récente.
Conditions
- Les données de montants réels doivent figurer dans la feuille standard ou cube que vous sélectionnez pour les données historiques et prévisionnelles.
- Pour utiliser les leviers, vous devez importer les données externes dans une feuille modèle et sélectionner l'algorithme ARIMA, AutoFit, LevelGBM, Orbit DLT ou Prophet.
- Quelle que soit la structure de votre calendrier, pour utiliser les options de saisonnalité lorsqu'elles sont disponibles, vous avez besoin de l'équivalent :
- 3 ans de montants réels pour la saisonnalité annuelle.
- 18 mois de montants réels pour une saisonnalité biannuelle.
- 9 mois des montants réels pour la saisonnalité trimestrielle.
- De nombreux algorithmes ont des minimums requis pour les points de données dans la référence historique. En outre, vous devez avoir un ratio d'au moins 3:2 points de données réels par rapport aux points de données prévisionnels. Exemple : une prévision sur 2 ans nécessite 3 ans de données de montants réels.
- Pour l'option de saisonnalité hebdomadaire, la plage de temps de toutes les versions référencées dans la prévision doit avoir une fréquence quotidienne. Voir FAQ : Predictive Forecaster.
Restrictions
- Vous ne pouvez pas prévoir de feuilles ou de comptes modèles.
- Les feuilles, l'explorateur de cellules et la piste d'audit n'indiquent pas actuellement quand ML a généré les données.
- Vous ne pouvez pas prévoir de comptes liés, de comptes métriques ou de comptes avec des formules par défaut. Toutefois, vous pouvez référencer les données prédictives de machine learning dans les formules et les liens.
- Vous ne pouvez utiliser que jusqu'à trois niveaux de régression.
- La prévision n'inclut pas automatiquement les données de référence mises à jour dans vos montants réels. Vous devez mettre à jour manuellement la période de prévision pour inclure les données de référence mises à jour dans vos montants réels.
- Lorsque vous utilisez un calendrier non standard, les résultats sont moins précis. Exemple : calendriers 4-4-5 pour les cas d'utilisation commerciale.
- Vous ne pouvez pas créer de prévisions pour les feuilles avec des dimensions personnalisées pour lesquelles ce paramètre est activé :l'import de données crée automatiquement des valeurs de dimension.
Définition de l'environnement client
Aucun impact.
Sécurité
- AutorisationPredictive Forecaster.
- Accès aux périmètres, comptes et versions que vous souhaitez inclure dans la prévision.
Processus de gestion
Aucun impact.
Reporting
Vous pouvez générer des rapports sur les prévisions générées par Predictive Forecaster.
Intégrations
Aucun impact.
Relations et interactions
Workday propose un kit appelé Touchpoints Kit, qui rassemble plusieurs ressources pour vous aider à mieux comprendre les relations de configuration dans votre environnement client. Pour en savoir plus sur ce kit, visitez notre page Workday Touchpoints Kit sur le site Workday Community.
Autres impacts
L'exécution des prévisions a un impact sur la performance globale de votre modèle, de la même manière que n'importe quel processus d'importation d'intégration.