機械学習予測の作成
実績データの要件は以下のとおりです。
- 履歴データには、アルゴリズムをサポートするのに十分なデータ ポイントが含まれています。参照 参考: Adaptive Planning の機械学習アルゴリズム。
- 実績データ ポイントと予測データ ポイントの比率が少なくとも 3:2 である。例: 2 年間を予測するには、3 年間の実績データが必要です。
- カレンダー構造に関係なく、カスタム季節性オプションを使用するには以下が必要です。
- 年次季節雇用の場合は、3 年間の実績。
- 半年単位の季節性では 18 か月分の実績。
- 四半期ごとの実績の 9 か月分
レバーの要件:
- AutoFit、ARIMA、lightGBM、Orbit DLT、またはProphet のアルゴリズムを選択します。
- レバー シート上の科目、組織、日付、カスタム属性に注意してください。予測の作成には、ユーザーが必要です。
セキュリティ:
- 予測に含める組織、バージョン、科目へのアクセス権。
- "Predictive Forecaster"権限
機械学習 (ML) 予測を作成することで、計画の効率と精度を向上させることができます。 Predictive Forecaster は、ユーザーが選択した ML アルゴリズムを使用して、計画バージョンのシートにデータを入力します。アルゴリズムは、実績で定義した履歴の参照に基づいてデータを予測します。アルゴリズムで追加の計画バージョンを指定して、履歴データとして参照することもできます。予測を作成して保存し、後で戻って予測を実行できます。
特定の時間間隔で予測が実行されるようにスケジュールすることもできます。
実行の履歴を確認し、インスタンスで使用可能な場合は
"Confidence Metrics"
をレビューすることもできます。予測は、選択した計画バージョンのシートの既存のデータを置き換えます。 予測を実行した後は、予測データを元に戻すことはできません。
- メイン メニューから"モデリング"を選択します。
- "Predictive Forecaster"をクリックします。
- "新規追加"をクリックし、"予測"を選択します。
- 一意の"名称"を 129 文字未満で入力してください。
- "予測"セクションを完了させます。
オプション 説明 シート予測データを入力する標準シートまたはキューブ シートを選択します。予測のバージョン予測データを入力する計画バージョンを選択します。 ロック済バージョンを選択しないでください。予測が失敗します。予測が失敗した後、履歴を確認してエラーをレビューできます。これにより、さらに細かく分析できます。ローリング予測このチェックボックスをオンにすると、以下の期間が、参照データ用に選択した実績バージョンの "次の時点までの確定数字を表示" 期間に自動的に調整されます。- 予測開始期間
- 実績の開始期間
必要に応じて、予測バージョンの"計画の開始" を参照期間として使用し、予測日をシフトします。最良の結果を得るために、以下のことを行います。- 新しい実績データをロードするたびに、"モデリング" > "バージョン" の "次の時点までの確定数字を表示" を更新します。
- 予測をスケジュールに追加すると、自動的に実行されます。
ローリング予測期間"ローリング予測"チェックボックスをオンにした場合に表示されます。シフトする期間を選択します。シフト予測の開始期間と終了期間: 両方の期間を、実績バージョンの "次の時点までの確定数字を表示" または予測バージョンの"計画の開始"と同期します。最良の結果を得るために、"次の期間までの確定数字を表示" を定期的に更新します。シフトのみの予測開始期間: このオプションにより、"予測開始期間"が"予測終了期間"より後になる場合があります。このような場合、"スケジュール"ページに警告が表示されます。予測開始期間機械学習データを開始する時期を選択します。連続予測の場合、この日付は読み取り専用で、次のどちらかの期間と同じです。- 実績バージョンの "次の時点までの確定数字を表示"から 1 期間。
- 予測バージョンの"計画の開始"
予測終了期間"予測開始期間"より後の期間を選択して、機械学習データを停止させる時期を示します。ローリング予測では、"シフト予測開始期間と終了期間" ラジオ ボタンも選択すると、この日付は "予測開始期間"と同じ期間数だけ先に進みます。予測範囲数量限定: この機能の対象となるかどうかについては、お問い合わせください。このチェックボックスをクリックして、追加の予測を 2 つ生成します。1 には予測値の上限が含まれます。もう 1 つは予測値の下限を含みます。このオプションを使用すると、予測の履歴を表示したときに"Confidence Metrics"タブにグラフが生成されます。グラフはこの範囲を経時的に示します。参照 概念: Predictive Forecaster を使用した予測の範囲と精度。確度レベル数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。55 ～ 95 パーセントの間でパーセントを選択します。パーセントが高いほど、下限と上限の間の範囲が広くなります。上限バージョン数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。予測の最も高い確度値を入力する計画バージョンを選択します。バージョンは予測の範囲内にある必要があります。下限バージョン数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。予測の確度の最低値が入力される計画バージョンを選択します。バージョンは予測の範囲内にある必要があります。精度メトリック数量限定: この機能の対象となるかどうかについては、お問い合わせください。既存の実績に対して予測のバックテストを実行する場合は、このチェックボックスをオンにします。予測の履歴を表示すると、精度のレベルが の"Confidence Metrics"タブにパーセントで表示されます。予測の説明予測の実行後に "Confidence Metrics" タブで以下のアイテムを生成するには、このチェックボックスをオンにします。- 季節性、傾向、および残存のコンポーネント (該当する場合) が予測値にどのように寄与するかを表すグラフです。
- グラフのコンポーネントを説明するテキスト。
- "フィルタ"セクションで以下の処理を実行します。
オプション 説明 科目必須です。 機械学習データを入力する科目を選択します。組織属性任意です。機械学習データを入力する組織とカスタム属性を選択します。組織フィルタと属性フィルタを使用して、予測内の時系列数を制限することをお勧めします。フィルタを指定しない場合、予測はすべての組織と属性に対して実行されます。例:"組織"からは何も選択しないでください。予測はシートに含まれているすべての組織で実行されます。 すべての組織と属性を含むシートが大きくなると、予測が完了するまでにかかる時間が長くなる可能性があります。このフィルタには、"予測"セクションで選択したシート上の科目、組織、属性のみが含まれます。各フィルタ:- 1 つ以上の科目、組織、または属性を選択できます。
- 親を選択すると子孫も自動的に選択されます。
- "選択済" タブで、選択内容をレビューおよび削除できます。
- "参照データ"セクションを完了させます。
オプション 説明 実績バージョンアルゴリズムで履歴データとして参照する実績バージョンを選択します。実績開始期間"予測終了期間"より後の期間を選択してください。実績終了期間"実績の開始期間"より後の期間を選択します。 少なくとも 3:2 の実績と予測の比率が必要です。選択するアルゴリズムに必要なデータ ポイント数も必要です。連続予測の場合、この日付は読み取り専用で、実績バージョンの "次の時点までの確定数字を表示" 適用日と一致します。"次の時点までの確定数字を表示" 日付が空白の場合、予測バージョンの "計画の開始" の1 期間前に整合します。計画バージョンの追加クリックすると、より多くの参照データの計画バージョンを追加できます。 プラン参照の期間が予測または実績の時間範囲と重ならないことを確認します。例: 予測が 2023 年 1 月から開始し、2023 年 3 月に終了するとします。実績参照は 2022 年 1 月から開始し、2022 年 12 月に終了します。プラン参照は、2022 年 1 月から 2023 年 3 月までの期間と重複しないようにしてください。 - "詳細設定"セクションの"アルゴリズム"サブセクションを完了します。
オプション 説明 アルゴリズムアルゴリズムを選択します。データに最適なアルゴリズムを見つけるために、試行錯誤のプロセスが必要になる場合があります。詳細については、以下を参照してください。 参考: Adaptive Planning の機械学習アルゴリズム。季節性の自動検出ML システムが参照データの季節性を自動的に検出できるようにするには、オンのままにします。季節性を手動で設定するには、このチェックボックスをオフにします。季節性"季節性の自動検出" をオフにした場合に表示されます。以下のアルゴリズムで使用できます。- AutoFit
- ホルト-ウィンターズ法
- カルマン フィルタ
- Orbit DLT
- Prophet
AutoFit は、季節性をサポートするアルゴリズムに対して定義された季節性のみを適用します。選択するオプションに応じて以下のようにします。- 毎年、3 年間の実績データが必要になります。
- 半年に18 か月分の実績データが必要になる。
- 四半期ごとに、9 か月分の実績データが必要になります。
- "なし" を選択した場合、データに季節性はありません。
カルマン フィルタのアルゴリズムで、"データは季節によって異なる"チェックボックスをオンにし、季節性をモデル化することを示します。 季節性を考慮しない場合は、このチェックボックスをオフにしてください。週単位の季節性使用対象:- AutoFit
- Prophet。
アルゴリズムで週単位のパターンも考慮したい場合は、このチェックボックスをオンにします。このオプションでは、予測バージョンと参照バージョンの時間範囲内の日次カレンダーが必要です。"自動調整" を選択した場合、週単位の季節性は Prophet を使用するデータにのみ適用されます。乗法的季節性"季節性の自動検出" をオフにした場合に表示されます。使用対象:- AutoFit
- Holent-Winters
- Prophet。
このチェックボックスをオンにして、季節性がトレンドの変動に比例することを示します。値の端数処理予測に負の値が入らないようにする場合に、このチェックボックスをオンにします。レバー シート使用対象:- AutoFit
- ARMA
- LightGBM.
- Orbit DLT
- Prophet。
アルゴリズムが参照する回分データを含む最大 3 つのシートを選択します。このオプションを選択する前に、以下を実行します。AutoFit の場合、回分のデータは Prophet または Orbit DLT を使用するデータに適用されます。 - "詳細設定"セクションの "Confidence Metrics" サブセクションを完了します。
オプション 説明 予測範囲数量限定: この機能の対象となるかどうかについては、お問い合わせください。このチェックボックスをクリックして、追加の予測を 2 つ生成します。1 には予測値の上限が含まれます。もう 1 つは予測値の下限を含みます。このオプションを使用すると、予測の履歴を表示したときに"Confidence Metrics"サブセクションにグラフが生成されます。グラフはこの範囲を経時的に示します。参照 概念: Predictive Forecaster を使用した予測の範囲と精度。確度レベル数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。55 ～ 95 パーセントの間でパーセントを選択します。パーセントが高いほど、下限と上限の間の範囲が広くなります。上限バージョン数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。予測の最も高い確度値を入力する計画バージョンを選択します。バージョンは予測の範囲内にある必要があります。下限バージョン数量限定: この機能の対象となるかどうかについては、お問い合わせください。"予測範囲"を選択すると表示されます。予測の確度の最低値が入力される計画バージョンを選択します。バージョンは予測の範囲内にある必要があります。予測の説明このチェックボックスをオンにすると、予測の実行後に"Confidence Metrics"サブセクションに以下のアイテムが生成されます。- 季節性、傾向、および残存のコンポーネント (該当する場合) が予測値にどのように寄与するかを表すグラフです。
- グラフのコンポーネントを説明するテキスト。
- "実行"をクリックして予測を開始します。"保存"をクリックして、後で実行することもできます。
以下のステータスの予測がリストに表示されます。
ステータス | 説明 |
|---|---|
空白 | 予測のパラメータは保存されましたが、まだ実行されていません。 |
キューに登録済
| 予測を実行したが、処理待ちの予測が完了するまでは開始できない。 |
進行中
| 予測が実行中です。 "予測履歴" ページの "ステータス" セクションには、完了率とステータス バーが表示されます。 |
成功
| 予測データが計画バージョンに入力されました。予測リストからシート名をクリックし、シートを開きます。予測データに対して選択したバージョンを使用していることを確認してください。予測データをレビューします。 |
失敗
| 予測にエラーがありました。トラブルシューティングを行い再試行できるように、 "予測履歴" ページの "ステータス" セクションにエラーのリストが表示されます。 |
キャンセル済
| 誰かが予測の完了を停止しました。 |
最良の結果を得るために、特に連続予測の場合は、予測をスケジュールに追加します。参照 機械学習予測のスケジュール 。