Concept: afwijkingsdetectie in bladen
Afwijkingsdetectie begint met uw werkelijke waarden. Op basis van de werkelijke waarden maakt het algoritme een model van voorspelde waarden dat wordt opgeslagen in een toegewezen prognoseversie met machine learning. Het algoritme maakt vervolgens een bereik geaccepteerde gegevens waarmee de prognose met machine learning wordt vergeleken met elke andere planversie. In bladen worden de gegevens gemarkeerd die buiten het voorspellingsbereik vallen. U kunt ook uitschietersrapporten samenstellen.
In bladen worden afwijkingen voor totalisaties op verschillende manieren gemarkeerd, afhankelijk van het type totalisatie:
Totalisatietype | Gedrag ten aanzien van afwijkingen |
|---|---|
Rekeningen | In de rekeningtotalisatie detecteert het algoritme geen gegevens die buiten het bereik vallen. Het blad markeert de rekeningtotalisatie echter wel wanneer er gegevens buiten het bereik vallen in de bijdragende rekeningen. Wanneer een rekeningtotalisatiecel een paarse rand heeft, vouwt u de rekening uit om de gemarkeerde afwijkingen te zoeken. |
Splitsingen | Het algoritme detecteert en markeert gegevens die buiten het bereik vallen in gesplitste totalisaties. Vouw de gegevens van afzonderlijke splitsingen uit en wijzig deze om het totaal binnen het bereik te brengen. Het blad markeert niet de bijdragende splitsingen die buiten het bereik vallen. |
Tijd-, niveau- en dimensietotalisaties | Het algoritme detecteert geen gegevens die buiten het bereik vallen in deze totalisaties. Het blad markeert de totalisaties ook niet wanneer:
|