설정 고려사항: Predictive Forecaster
이 주제는 Predictive Forecaster의 구성 및 사용을 계획할 때 참고하면 결정하는 데 도움이 됩니다. 설명하는 내용은 다음과 같습니다.
- 설정하는 이유
- Workday의 나머지 부분과 연계되는 방식
- 다운스트림 영향 및 제품 간 인터랙션
- 보안 요구사항 및 비즈니스 프로세스 구성
- 구현 전에 고려할 질문 및 제한사항
전체 구성 세부내용은 태스크 상세 가이드를 참조하십시오.
정의
Predictive Forecaster는 머신러닝(ML)을 기반으로 하는 스마트 계획 기능입니다. Predictive Forecaster는 ML에서 생성된 데이터로 계획 버전을 제공하며, 이는 예산 매니저에게 안정적인 시작점 역할을 합니다. 예측 예측을 사용하면 다양한 알고리즘을 선택하고 테스트하여 Adaptive Planning 내에서 정의한 과거 데이터 및 회귀 데이터를 기반으로 시계열 예측을 생성할 수 있습니다.
비즈니스 이점
- Adaptive Planning 내에서 고급 ML 기술을 사용합니다.
- 머신러닝이 대량의 데이터, 패턴 및 요인을 처리할 수 있도록 하여 정확도를 높입니다.
- 사전 학습된 ML 알고리즘을 사용하여 계획 주기를 완료하는 데 걸리는 시간을 줄입니다.
- 수작업을 거의 사용하지 않고도 대규모 교차점 세트에 대한 초기값 데이터를 생성합니다.
- 스케줄을 사용하여 실제값 데이터를 가져올 때 예측 및 롤링 예측의 실행을 자동화하여 롤링 기반으로 예측을 생성합니다.
- 미리보기 테넌트만 해당: 스케줄을 사용하여 예측 실행을 자동화합니다.
사용 사례
소매 회사는 각 위치에서 판매할 것으로 예상되는 제품 단위수를 계획해야 합니다. 또한 예비 제품을 분석하려고 합니다. 이전 연도의 영업 세부내용을 보관하는 큐브 시트가 있습니다. 수익 계정이 포함된 P&L 표준 시트가 있습니다.
다음을 수행할 수 있습니다.
- 이력 참조를 정의합니다. 이력 데이터에는 실제값이 포함되어야 하지만 참조 및 레버에 계획 버전을 추가할 수도 있습니다. 예: 실제값 참조를 2018년에 시작하여 2019년 말에 종료하도록 정의할 수 있습니다. 비정상 연도였으므로 실제값에서 2020년 회계기간을 건너뛸 수 있습니다. 대신 2020년의 이력 계획 버전을 참조할 수 있습니다.
- 데이터에 필요한 경우 계절성을 지원하는 알고리즘을 선택합니다. 예: 연말연시 연말에 매출이 증가하면 알고리즘이 연간 계절성 패턴을 설명하도록 지정할 수 있습니다.
- 서로 다른 예측 데이터 세트를 서로 다른 시트로 생성하거나 서로 다른 버전에 대해 동일한 시트를 생성합니다. 예를 들어 총계정원장의 모든 수익 계정에 대한 P&L 표준 시트의 2025 예산 계획에서 예측을 생성할 수 있습니다. 특정 제품 디멘션에 대한 수익 큐브의 2025 What If 분석에 대한 예측을 생성할 수도 있습니다.
- 레벨 및 디멘션 필터를 사용하여 예측 데이터를 정확히 찾아냅니다. 예를 들어 Northwest Sales 레벨 및 특정 제품에 대한 예측을 실행할 수 있습니다. Southwest Sales 및 다양한 제품에 대해 별도의 예측을 실행합니다.
- 서로 다른 데이터 세트 또는 동일한 데이터의 서로 다른 실행에 서로 다른 알고리즘을 사용합니다. 예를 들어 P&L 계정의 예측에 Prophet 알고리즘을 선택합니다. 예측 데이터를 리뷰한 후 N-BEATS를 사용해 볼 수 있습니다. 예측을 리포트와 비교하여 특정 데이터 세트에 가장 적합한 알고리즘을 확인합니다.
- 계획 주기를 시작할 때 연초에 예측을 설정합니다. 해당 연도의 실제값 데이터를 더 많이 수집함에 따라 스케줄링 및 롤링 예측 기능을 사용하여 예측을 자동으로 생성합니다.
- 기존 예측을 복제하여 시간을 절약합니다. 그러면 기본 정의에서 빠르게 변경할 수 있습니다. 예를 들어 계정만 변경하면서 시작 기간과 종료 기간을 복제할 수 있습니다.
고려할 질문
질문 | 고려사항 |
|---|---|
과거의 예측은 얼마나 정확했으며 팀이 예측을 계획하는 데 시간이 얼마나 걸립니까? | 더 정확한 예측과 예산을 확보할 수 있도록 과학 및 수학을 기반으로 하는 머신러닝 알고리즘을 제공합니다. ML 예측을 사용하면 팀 초기값 데이터가 시작점으로 제공되어 팀의 귀중한 시간을 절약하고 정확도를 높일 수 있습니다. |
실제값 데이터가 예측 예측기를 지원합니까? |
|
실제값에 공백 또는 0이 많이 포함되어 있습니까? | 실제값 데이터가 완전할수록 예측이 더 정확해집니다. 알고리즘은 누락되었거나 비어 있는 이력 데이터를 0으로 처리하며, 이는 예측에 영향을 미칠 수 있습니다. 실제값 데이터가 스파스 데이터인 경우 스파스 데이터에 가장 적합한 알고리즘을 사용합니다. 참조: Adaptive Planning을 위한 머신러닝 알고리즘 |
신규 실제값을 얼마나 자주 로드합니까? | 롤링 예측을 사용하여 예측 시작 및 종료 기간을 참조 데이터의 실제값 표시 종료일에 맞출 수 있습니다. 이 옵션을 선택하면 예측 기간이 앞으로 이동하고 참조 데이터가 앞으로 이동하여 더 정확하고 새로운 예측을 보장합니다. |
얼마나 멀리 예측하시겠습니까? | 필요한 만큼만 예측하도록 예측 시작 및 종료 기간을 설정합니다. 더 많이 예측할수록 예측의 정확도가 떨어집니다. |
Adaptive Planning의 실제값 데이터 외에 어떤 다른 데이터를 예측에 사용하시겠습니까? | 레버 모델링 시트로 가져와서 예측에서 외부 데이터를 사용할 수 있습니다. 레버를 사용하려면 다음 알고리즘 중 하나를 사용해야 합니다.
자동 맞춤은 레버를 지원하는 알고리즘을 적용하는 경우에만 레버 데이터를 사용합니다. 다음 알고리즘을 선택하는 경우를 제외하고 계절성 옵션을 사용할 수도 있습니다.
|
계절성을 얼마나 쉽게 정의할 수 있습니까? | 계절성은 값이 반복적인 패턴을 갖는 시간 간격입니다. 계절성 패턴을 정의하려는 경우 다음 알고리즘을 사용합니다.
자동 맞춤은 계절성을 지원하는 알고리즘을 선택할 때 정의한 계절성만 사용합니다. 알고리즘이 자체적으로 계절성을 캡처하도록 하려면 다음 알고리즘을 사용합니다.
|
권장사항
- 더 적은 수의 계정, 레벨 및 커스텀 디멘션을 기준으로 예측을 필터링합니다. 예측 정의를 제한하면 예측 데이터가 더 빠르게 생성됩니다.
- 예측 데이터가 계획에 자동으로 입력될 것으로 예상되는 최소 1일 전에 예측을 실행하거나 스케줄링합니다. 계정 및 레벨이 많은 예측은 완료하는 데 시간이 더 오래 걸릴 수 있습니다.
- 이력 데이터에 희소성으로 인해 공백이 많은 경우 참조 데이터를 기준으로 각 데이터 계열에 대한 알고리즘을 선택하는 자동 맞춤 또는 자동 맞춤을 사용하는 것이 좋습니다.
- 예측이 자동으로 실행되도록 스케줄링합니다. 또는 예측을 잊지 않도록 예측을 실행할 시간과 담당자를 지정합니다.
- 예측을 재정의할 필요 없이 다시 실행할 수 있도록 예측에 직관적인 이름을 사용합니다.
- 롤링 예측확인란을 선택하여 예측을 최신 실제값 로드와 동기화합니다. 이 확인란을 선택하면 최근 실제값 참조를 포함하도록 실제값 데이터를 로드할 때 예측값과 참조가 앞으로 이동합니다.
요구사항
- 이력 및 예측 데이터에 대해 선택한 표준 또는 큐브 시트에 실제값 데이터가 있어야 합니다.
- 레버를 사용하려면 외부 데이터를 모델링 시트로 가져와야 하며 ARIMA, AutoFit, LightGBM, Orbit DLT 또는 Prophet 알고리즘을 선택해야 합니다.
- 캘린더 구조와 관계없이 계절성 옵션이 제공되는 경우 이를 사용하려면 다음 항목이 필요합니다.
- 연간 계절성에 대한 실제값의 3년
- 연 2회 계절성을 나타내는 경우 18개월의 실제값
- 분기별 계절성에 대한 실제값의 9개월
- 대부분의 알고리즘에는 이력 참조의 데이터 요소에 대한 필수 최소값이 있습니다. 또한 실제값 데이터 요소와 예측 데이터 요소의 비율이 3:2 이상이어야 합니다. 예: 2년 예측에는 3년의 실제값 데이터가 필요합니다.
- 주별 계절성 옵션의 경우 예측에서 참조하는 모든 버전의 시간 범위에 일일 케이던스가 있어야 합니다. 참조 FAQ: Predictive Forecaster.
제한사항
- 모델링 시트 또는 모델링 계정은 예측할 수 없습니다.
- 시트, 셀 탐색 및 감사 추적은 현재 ML에서 데이터가 생성된 시점을 표시하지 않습니다.
- 링크 계정, 메트릭 계정 또는 기본 수식이 있는 계정은 예측할 수 없습니다. 그러나 수식 및 링크에서 ML 예측 데이터를 참조할 수 있습니다.
- 회귀 변수는 최대 3개까지만 사용할 수 있습니다.
- 업데이트된 참조 데이터는 실제값에 자동으로 포함되지 않습니다. 실제값에 업데이트된 참조 데이터를 포함하려면 예측 기간을 수동으로 업데이트해야 합니다.
- 비표준 캘린더를 사용하면 결과의 정확도가 떨어집니다. 예: 소매 사용 사례의 경우 4-4-5 캘린더
- 이 설정이 활성화된 커스텀 디멘션이 있는 시트에 대해서는 예측을 생성할 수 없습니다.데이터 가져오기에서 자동으로 디멘션 값 생성
테넌트 설정
영향이 없습니다.
보안
- Predictive Forecaster권한
- 예측에 포함할 레벨, 계정 및 버전에 대한 액세스 권한
비즈니스 프로세스
영향이 없습니다.
리포트
Predictive Forecaster에서 생성된 예측에 대해 보고할 수 있습니다.
통합
영향이 없습니다.
관계 및 터치포인트
Workday에서는 테넌트 전반의 구성 관계를 이해하는 데 도움이 되는 리소스가 포함된 Touchpoints Kit를 제공합니다. 자세한 내용은 Workday Community의 Workday Touchpoints Kit를 참조하십시오.
기타 영향
예측을 실행하면 통합 가져오기 프로세스와 거의 동일한 방식으로 모델의 전체 성능에 영향을 미칩니다.