Overwegingen bij instellen: voorspellende prognose
U kunt dit onderwerp gebruiken om beslissingen te nemen bij het plannen van uw configuratie en gebruik van Predictive Forecaster. Hier wordt het volgende uitgelegd:
- Waarom moet u dit instellen?
- Hoe het past in de rest van Workday.
- Downstreameffecten en productoverschrijdende interacties.
- Beveiligingsvereisten en bedrijfsprocesconfiguraties.
- Belangrijke vragen en beperkingen waarmee u rekening moet houden bij de implementatie.
Raadpleeg de taakinstructies voor de volledige configuratiedetails.
Wat het is
Predictive Forecaster is een functie voor Intelligent Planning op basis van machine learning (ML). Predictive Forecaster zaait planversies met door machine learning gegenereerde gegevens, wat een betrouwbaar startpunt is voor budgetmanagers. Met Voorspellende prognose selecteert en test u verschillende algoritmen om tijdreeksprognoses te genereren op basis van de historische gegevens en regressorgegevens die u definieert in Adaptive Planning.
Belangrijkste voordelen
- Gebruik geavanceerde ML-technologie binnen Adaptive Planning.
- Verbeter de nauwkeurigheid door ML in staat te stellen grote hoeveelheden gegevens, patronen en stuurprogramma's te verwerken.
- Verkort de tijd die nodig is om een planningscyclus te voltooien met vooraf getrainde ML-algoritmen.
- Genereer seed-gegevens voor grote sets snijpunten met weinig handmatige inspanning.
- Gebruik schema's om de uitvoeringen van prognoses en voortschrijdende prognoses te automatiseren om prognoses op voortschrijdende basis te genereren terwijl u gegevens over werkelijke waarden importeert.
- Alleen voorbeeld van tenants: gebruik schema's om het uitvoeren van prognoses te automatiseren.
Gebruiksscenario's
Als detailhandelsbedrijf moet u plannen hoeveel producteenheden u verwacht te verkopen vanaf elke locatie. U wilt ook een potentieel product analyseren. U hebt een kubusblad met verkoopdetails van vorige jaren. U hebt een standaardblad voor winst- en verliesrekening met uw opbrengstenrekeningen.
U kunt:
- Definieer de historische referentie. Uw historische gegevens moeten werkelijke waarden bevatten, maar u kunt ook planversies toevoegen aan de referentie en hefbomen. Voorbeeld: u kunt uw referentie voor werkelijke waarden definiëren om te beginnen in 2018 en te eindigen aan het einde van 2019. U kunt de boekingsperiode voor 2020 in uw werkelijke waarden overslaan omdat het een ongebruikelijk jaar was. In plaats daarvan kunt u verwijzen naar de historische planversie voor 2020.
- Kies een algoritme dat seizoensgebondenheid ondersteunt wanneer uw gegevens dit vereisen. Voorbeeld: wanneer de verkoop aan het einde van het jaar voor de feestdagen stijgt, kunt u opgeven dat het algoritme rekening moet houden met jaarlijkse seizoenspatronen.
- Genereer verschillende sets met geprognosticeerde gegevens in verschillende bladen of hetzelfde blad voor verschillende versies. Voorbeeld: u kunt een prognose genereren in het Budgetplan 2025 voor het standaardblad voor winst en verlies voor alle opbrengstenrekeningen in het grootboek. U kunt ook een prognose genereren voor de What If-analyse voor 2025 in uw Opbrengstenkubus voor een specifieke productdimensie.
- Gebruik niveau- en dimensiefilters om de geprognosticeerde gegevens te lokaliseren. Voorbeeld: u kunt een prognose uitvoeren voor het niveau Verkoop noordwest en specifieke producten. Voer een afzonderlijke prognose uit voor Verkoop Zuidwest en verschillende producten.
- Gebruik verschillende algoritmen voor verschillende gegevenssets of verschillende runs van dezelfde gegevens. Voorbeeld: selecteer het Prophet-algoritme voor de prognose voor winst- en verliesrekeningen. Nadat u de voorspelde gegevens hebt beoordeeld, kunt u N-BEATS proberen. Vergelijk de prognoses met rapporten om te zien welk algoritme het beste bij die specifieke gegevensset past.
- Stel de prognose in aan het begin van het jaar wanneer u uw planningscyclus begint. Gebruik de plannings- en voortschrijdende prognosefunctie om automatisch prognoses te genereren naarmate u meer werkelijke waarden voor het jaar verzamelt.
- Bespaar tijd door bestaande prognoses te dupliceren, zodat u snel wijzigingen kunt aanbrengen vanuit een basisdefinitie. Voorbeeld: u kunt de begin- en eindperiode dupliceren, terwijl u alleen de rekeningen wijzigt.
Belangrijke vragen
Vraag | Overwegingen |
|---|---|
Hoe nauwkeurig waren uw prognoses in het verleden en hoeveel tijd heeft uw team nodig om prognoses te plannen? | We bieden ML-algoritmen die een wetenschappelijke en wiskundige manier zijn om nauwkeurigere prognoses en budgetten te krijgen. Het gebruik van ML-prognoses biedt de seed-gegevens van uw team als startpunt, wat uw team waardevolle tijd kan besparen en de nauwkeurigheid kan verbeteren. |
Ondersteunen uw werkelijke waarden Predictive Forecaster? |
|
Zijn er in uw werkelijke waarden veel lege cellen of nullen? | Hoe vollediger uw werkelijke waarden, hoe nauwkeuriger de prognose. De algoritmen behandelen ontbrekende of lege historische gegevens als nullen, wat van invloed kan zijn op de prognose. Als uw werkelijke waarden schaars zijn, gebruikt u de algoritmen die het meest geschikt zijn voor schaarse gegevens. Referentie: machine learning-algoritmen voor Adaptive Planning |
Hoe vaak laadt u nieuwe werkelijke waarden? | U kunt de voortschrijdende prognoses gebruiken om de begin- en eindperiode van de prognose af te stemmen op de datum Voltooide waarden t/m van de referentiegegevens. Als u deze optie selecteert, worden de prognoseperioden naar voren en de referentiegegevens naar voren verschoven om nieuwe en nauwkeurigere voorspellingen te garanderen. |
Hoe ver wilt u een prognose maken? | Stel de begin- en eindperioden van uw prognose zo in dat u slechts voor zover nodig een prognose uitvoert. Hoe verder u een prognose maakt, hoe minder nauwkeurig de prognose wordt. |
Welke andere gegevens wilt u naast de werkelijke waarden in Adaptive Planning nog meer gebruiken voor uw prognoses? | U kunt externe gegevens in de prognose gebruiken door ze te importeren in een gemodelleerd blad met hefboomwerking. Als u hefbomen wilt gebruiken, moet u een van deze algoritmen gebruiken:
AutoAanpassen gebruikt de hefboomgegevens alleen wanneer een algoritme wordt toegepast dat hefbomen ondersteunt. U kunt ook de seizoensgebondenheidsopties gebruiken, behalve wanneer u deze algoritmen selecteert:
|
Hoe gemakkelijk definieert u seizoensgebondenheid? | Seizoensgebondenheid is het tijdsinterval waarin waarden een herhalend patroon hebben. Gebruik deze algoritmen wanneer u de seizoenspatronen wilt definiëren:
Automatisch aanpassen gebruikt alleen de seizoensgebondenheid die u definieert wanneer een algoritme wordt geselecteerd dat seizoensgebondenheid ondersteunt. Gebruik deze algoritmen om het algoritme de seizoensgebondenheid zelf te laten vastleggen:
|
Aanbevelingen
- Filter prognoses op minder rekeningen, niveaus en aangepaste dimensies. Als u uw prognosedefinitie beperkt, worden de geprognosticeerde gegevens sneller gegenereerd.
- Voer prognoses uit of plan ze ten minste één dag voordat u verwacht dat de geprognosticeerde gegevens in uw plan worden ingevuld. Het voltooien van prognoses met veel rekeningen en niveaus kan langer duren.
- Als uw historische gegevens vanwege schaarste veel lege velden bevatten, raden we u aan Croston of AutoAanpassen te gebruiken, waarmee voor elke gegevensreeks een algoritme wordt geselecteerd op basis van de referentiegegevens.
- Plan prognoses zodat deze automatisch worden uitgevoerd. Of wijs een tijd en een persoon aan om de prognoses uit te voeren, zodat u dit niet vergeet.
- Gebruik intuïtieve namen voor de prognose, zodat u de prognose opnieuw kunt uitvoeren zonder deze opnieuw te hoeven definiëren.
- Synchroniseer de prognose met de laatste ladingen met werkelijke waarden door het selectievakjeDoorlopende prognosein te schakelen. Met dit selectievakje worden de prognose en de verwijzing naar voren geschoven wanneer u de gegevens van de werkelijke waarden laadt om de meest recente referentie voor werkelijke waarden op te nemen.
Vereisten
- Er moeten werkelijke waarden aanwezig zijn in het standaard- of kubusblad dat u selecteert voor historische en geprognosticeerde gegevens.
- Als u hefbomen wilt gebruiken, moet u de externe gegevens in een gemodelleerd blad importeren en moet u het ARIMA-, AutoFit-, LightGBM-, Orbit DLT- of Prophet-algoritme selecteren.
- Ongeacht uw kalenderstructuur hebt u het equivalent nodig van:
- Werkelijke waarden voor drie jaar voor jaarlijkse seizoensgebondenheid.
- Werkelijke waarden van 18 maanden voor halfjaarlijkse seizoensgebondenheid.
- Negen maanden werkelijke waarden voor seizoensgebondenheid op kwartaalbasis.
- Voor veel algoritmen zijn minimumwaarden vereist voor gegevenspunten in de historische referentie. Daarnaast moet u een verhouding hebben van ten minste 3:2 werkelijke gegevenspunten en geprognosticeerde gegevenspunten. Voorbeeld: voor een prognose van twee jaar zijn werkelijke waarden voor drie jaar vereist.
- Voor de optie Wekelijkse seizoensgebondenheid moet het tijdsbereik voor alle versies waarnaar in de prognose wordt verwezen een dagelijks cadans hebben. Zie Veelgestelde vragen: voorspellende prognose.
Beperkingen
- U kunt geen prognoses maken voor gemodelleerde bladen of gemodelleerde rekeningen.
- Bladen, Cel verkennen en audittrail geven momenteel niet aan wanneer ML de gegevens heeft gegenereerd.
- U kunt geen prognoses maken voor gekoppelde rekeningen, metriekrekeningen of rekeningen met standaardformules. U kunt echter in formules en koppelingen verwijzen naar door machine learning voorspelde gegevens.
- U kunt maximaal drie regressors gebruiken.
- De prognose neemt niet automatisch bijgewerkte referentiegegevens op in uw werkelijke waarden. U moet de prognoseperiode handmatig bijwerken om de bijgewerkte referentiegegevens in uw werkelijke waarden op te nemen.
- Wanneer u een niet-standaardkalender gebruikt, zijn de resultaten minder nauwkeurig. Voorbeeld: 4-4-5-kalenders voor gebruiksscenario's in de detailhandel.
- U kunt geen prognoses maken voor bladen met aangepaste dimensies waarvoor deze instelling is ingeschakeld:bij gegevensimport worden automatisch dimensiewaarden gemaakt.
Tenantinstellingen
Geen gevolgen.
Beveiliging
- Machtiging Voorspellende prognose.
- Toegang tot de niveaus, rekeningen en versies die u in de prognose wilt opnemen.
Bedrijfsprocessen
Geen gevolgen.
Rapportage
U kunt rapporteren over prognoses die zijn gegenereerd door Predictive Forecaster.
Integraties
Geen gevolgen.
Relaties en interacties
Workday biedt een Touchpoints Kit met informatiebronnen die inzicht geven in de configuratierelaties in uw tenant. Meer informatie over de Workday Touchpoints Kit vindt u op Workday Community.
Overige gevolgen
Het uitvoeren van prognoses heeft op dezelfde manier invloed op de algehele prestaties van uw model als elk integratie-importproces.