Considerazioni sulla configurazione: Predictive Forecaster

Adaptive Planning

Questo argomento è utile per prendere decisioni in merito alla configurazione e all'utilizzo di Predictive Forecaster. Vengono illustrati gli aspetti seguenti:

Perché configurarlo

Come si inserisce nel resto di Workday

Effetti a valle e interazioni tra prodotti.

Requisiti di sicurezza e configurazioni dei processi aziendali.

Domande e limitazioni da considerare prima dell'implementazione.

Per i dettagli completi sulla configurazione, fare riferimento alle istruzioni sull'attività.

Che cos'è

Predictive Forecaster è una funzionalità di pianificazione intelligente basata sul machine learning (ML). Predictive Forecaster esegue il seeding delle versioni del piano con dati generati dal machine learning, che funge da punto di partenza affidabile per i manager del budget. Con Predictive Forecast è possibile selezionare e testare vari algoritmi per generare previsioni di serie temporali in base ai dati storici e regressori definiti in Adaptive Planning.

Vantaggi per l'azienda

Utilizzare la tecnologia avanzata di machine learning in Adaptive Planning.

Migliorare la precisione consentendo al machine learning di elaborare grandi quantità di dati, modelli e driver.

Ridurre il tempo necessario per completare un ciclo di pianificazione con algoritmi di machine learning pre-addestrati.

Generare dati di inizializzazione per insiemi di intersezioni di grandi dimensioni con uno sforzo manuale minimo.

Utilizzare i piani per automatizzare le esecuzioni delle previsioni e le previsioni mobili per generare previsioni su base mobile durante l'importazione dei dati degli importi effettivi.

Anteprima solo tenant: consente di utilizzare le pianificazioni per automatizzare le esecuzioni delle previsioni.

Casi d'uso

In qualità di azienda di vendita al dettaglio, è necessario pianificare il numero di unità di prodotto che si prevede di vendere da ciascuna sede. Si desidera anche analizzare un prodotto potenziale. Si dispone di un foglio cubo che contiene i dettagli delle vendite degli anni precedenti. Si dispone di un foglio standard P&L che contiene i conti dei ricavi.

È possibile:

Definire il riferimento storico. I dati storici devono includere gli importi effettivi, ma è anche possibile aggiungere versioni del piano ai riferimenti e alle leve. Esempio: è possibile definire il riferimento degli importi effettivi in modo che inizi nel 2018 e termini alla fine del 2019. È possibile ignorare il periodo fiscale per il 2020 negli importi effettivi perché si trattava di un esercizio insolito. È invece possibile fare riferimento alla versione del piano storico per il 2020.

Scegliere un algoritmo che supporti la stagionalità quando i dati lo richiedono. Esempio: quando le vendite aumentano alla fine dell'anno per le festività natalizie, è possibile specificare che si desidera che l'algoritmo tenga conto dei modelli di stagionalità annuale.

Generare diversi insiemi di dati previsti in fogli diversi o nello stesso foglio per versioni diverse. Esempio: è possibile generare una previsione nel piano di budget 2025 per il foglio standard P&L per tutti i conti dei ricavi nella contabilità generale. È anche possibile generare una previsione per l'analisi What If 2025 nel cubo ricavi per una dimensione di prodotto specifica.

Utilizzare i filtri di livello e dimensione per individuare i dati previsti. Esempio: è possibile eseguire una previsione per il livello Vendite nord-ovest e prodotti specifici. Eseguire una previsione separata per Vendite sud-ovest e prodotti diversi.

Utilizzare algoritmi diversi per insiemi di dati diversi o esecuzioni diverse degli stessi dati. Esempio: selezionare l'algoritmo Prophet per la previsione dei conti profitti e perdite. Dopo aver esaminato i dati previsti, è possibile provare N-BEATS. Confrontare le previsioni con i report per vedere quale algoritmo si adatta meglio a un determinato insieme di dati.

Impostare la previsione all'inizio dell'anno quando si avvia il ciclo di pianificazione. Utilizzare la funzionalità di pianificazione e previsioni a rotazione per generare automaticamente le previsioni man mano che si raccolgono più dati degli importi effettivi per l'anno.

Risparmiare tempo duplicando le previsioni esistenti, il che consente di apportare modifiche rapide da una definizione di base. Esempio: è possibile duplicare i periodi di inizio e di fine, modificando solo i conti.

Domande e considerazioni

Domanda	Considerazioni
Quanto sono state accurate le previsioni in passato e quanto tempo è stato impiegato dal team per pianificare le previsioni?	Sono disponibili algoritmi di machine learning che rappresentano un metodo scientifico e matematico per ottenere previsioni e budget più accurati. L'utilizzo delle previsioni di machine learning fornisce i dati iniziali del team come punto di partenza, il che può far risparmiare tempo prezioso al team e migliorare la precisione.
I dati degli importi effettivi supportano Predictive Forecaster?	È necessario disporre di un rapporto di 3:2 tra i punti dati effettivi e i punti dati previsti. Esempio: una previsione a 2 anni richiede 3 anni di dati degli importi effettivi. Inoltre, alcuni algoritmi prevedono un requisito minimo per i punti dati nei dati storici. Consultare Riferimenti: Algoritmi di machine learning per Adaptive Planning . Ogni previsione viene eseguita su un foglio standard o cubo specifico. È possibile prevedere solo i dati da e verso i fogli cubo e standard. È possibile prevedere e fare riferimento solo a conti CoGe, personalizzati e standard cubo.
Gli importi effettivi contengono molti spazi vuoti o zeri?	Più completi sono i dati degli importi effettivi, più accurata sarà la previsione. Gli algoritmi considerano i dati storici mancanti o vuoti come zeri, il che può influire sulla previsione. Quando i dati degli importi effettivi sono sparsi, utilizzare gli algoritmi più adatti per i dati sparsi. Riferimenti: Algoritmi di machine learning per Adaptive Planning
Con quale frequenza vengono caricati i nuovi importi effettivi?	È possibile utilizzare le previsioni mobili per allineare i periodi di inizio e di fine della previsione alla data Valori completati fino a dei dati di riferimento. Selezionando questa opzione, i periodi di previsione vengono spostati in avanti e i dati di riferimento in avanti per garantire previsioni aggiornate e più accurate.
Fino a che punto si desidera eseguire la previsione?	Impostare i periodi di inizio e di fine della previsione in modo da prevedere solo se necessario. Più la previsione è avanzata, meno accurata diventa la previsione.
Oltre ai dati degli importi effettivi in Adaptive Planning, quali altri dati si desidera utilizzare per le previsioni?	È possibile utilizzare dati esterni nella previsione importandoli in un foglio modellato con leva. Per utilizzare le leve, è necessario utilizzare uno dei seguenti algoritmi: ARIMA AutoFit LightGBM Orbit DLT Prophet Adattamento automatico utilizza i dati della leva solo quando applica un algoritmo che supporta le leve. È anche possibile utilizzare le opzioni di stagionalità, tranne quando si selezionano i seguenti algoritmi: Croston LightGBM N-BEATS
Quanto ti senti a tuo agio nel definire la stagionalità?	La stagionalità è l'intervallo di tempo in cui i valori hanno uno schema ripetitivo. Utilizzare i seguenti algoritmi quando si desidera definire i modelli di stagionalità: AutoFit Holt-Winters Orbit DLT Prophet Adattamento automatico utilizza solo la stagionalità definita dall'utente quando seleziona un algoritmo che supporta la stagionalità. Utilizzare questi algoritmi per consentire all'algoritmo di acquisire autonomamente la stagionalità: ARIMA Filtro di Kalman LightGBM N-BEATS Consultare Riferimenti: Algoritmi di machine learning per Adaptive Planning.

Suggerimenti

Filtrare le previsioni in base a un numero inferiore di conti, livelli e dimensioni personalizzate. La limitazione della definizione delle previsioni genera i dati previsti più rapidamente.

Eseguire o pianificare le previsioni almeno un giorno prima che i dati previsti vengano inseriti nel piano. Il completamento delle previsioni con molti conti e livelli potrebbe richiedere più tempo.

Quando i dati storici contengono molti spazi vuoti a causa della scarsità, è consigliabile utilizzare Croston o Adattamento automatico, che seleziona un algoritmo per ogni serie di dati in base ai dati di riferimento.

Pianificare l'esecuzione automatica delle previsioni. In alternativa, designare un orario e una persona per eseguire le previsioni in modo da non dimenticarle.

Utilizzare nomi intuitivi per la previsione in modo da poterla eseguire nuovamente senza doverla ridefinire.

Sincronizzare la previsione con gli ultimi carichi di dati degli importi effettivi abilitando la casella di controllo

Previsione mobile

. Questa casella di controllo sposta in avanti la previsione e il riferimento durante il caricamento dei dati degli importi effettivi per includere il riferimento degli importi effettivi più recente.

Requisiti

È necessario che i dati degli importi effettivi siano presenti nel foglio standard o cubo selezionato per i dati storici e previsti.

Per utilizzare le leve, è necessario importare i dati esterni in un foglio modellato e selezionare l'algoritmo ARIMA, AutoFit, LightGBM, Orbit DLT o Prophet.

Indipendentemente dalla struttura del calendario, per utilizzare le opzioni di stagionalità quando sono disponibili, è necessario l'equivalente di:

3 anni di importi effettivi per la stagionalità annuale.

18 mesi di importi effettivi per la stagionalità semestrale.

9 mesi di importi effettivi per la stagionalità trimestrale.

Molti algoritmi hanno valori minimi obbligatori per i punti dati nel riferimento storico. Inoltre, è necessario avere un rapporto di almeno 3:2 tra i punti dati effettivi e i punti dati previsti. Esempio: una previsione a 2 anni richiede 3 anni di dati degli importi effettivi.

Per l'opzione di stagionalità settimanale, l'intervallo di tempo per tutte le versioni a cui si fa riferimento nella previsione deve avere una cadenza giornaliera. Consultare Domande frequenti: Predictive Forecaster.

Limitazioni

Non è possibile prevedere fogli modellati o conti modellati.

Fogli, Esplora cella e audit trail non indicano quando il machine learning ha generato i dati.

Non è possibile prevedere conti collegati, conti metrica o conti con formule predefinite. Tuttavia, è possibile fare riferimento ai dati previsti per il machine learning nelle formule e nei collegamenti.

È possibile utilizzare solo fino a tre regressori.

La previsione non include automaticamente i dati di riferimento aggiornati negli importi effettivi. È necessario aggiornare manualmente il periodo di previsione per includere i dati di riferimento aggiornati negli importi effettivi.

Quando si utilizza un calendario non standard, i risultati sono meno accurati. Esempio: 4-4-5 calendari per casi d'uso al dettaglio.

Non è possibile creare previsioni per i fogli con dimensioni personalizzate che hanno abilitato questa impostazione:

L'importazione dei dati crea automaticamente i valori dimensione

Configurazione tenant

Nessun impatto.

Criteri di sicurezza

Autorizzazione Previsione predittiva

Accedere ai livelli, ai conti e alle versioni che si desidera includere nella previsione.

Processi aziendali

Nessun impatto.

Generazione di report

È possibile creare report sulle previsioni generate da Predictive Forecaster.

Integrazioni

Nessun impatto.

Connessioni e touchpoint

Workday offre un Touchpoints Kit con risorse utili per comprendere le relazioni di configurazione nel tenant. Ulteriori informazioni sul Workday Touchpoints Kit sono disponibili nella Workday Community.

Altri effetti

L'esecuzione delle previsioni influisce sulle performance complessive del modello in modo simile a qualsiasi processo di importazione dell'integrazione.