Ir para o conteúdo principal
Documentação
Documentação
Adaptive Planning
Última atualização: 2025-09-19
Considerações para a definição: Predictive Forecaster

Considerações para a definição: Predictive Forecaster

Você pode usar este tópico como ajuda para tomar decisões ao planejar sua configuração e uso do Predictive Forecaster. Ele explica:
  • Por que configurá-la.
  • Como ele se encaixa no restante do Workday.
  • Impactos consequentes e interações entre produtos.
  • Requisitos de segurança e configurações de processos de negócios.
  • Perguntas e limitações a considerar antes da implementação.
Consulte as instruções detalhadas da tarefa para obter todos os detalhes da configuração.

O que é

O Predictive Forecaster é um recurso do Intelligent Planning com tecnologia de aprendizado de máquina (ML). O Predictive Forecaster propaga versões de plano com dados gerados por aprendizado de máquina, que servem como um ponto de partida confiável para gestores de orçamento. Com o Predictive Forecast, você seleciona e testa vários algoritmos para gerar previsões de séries temporais com base nos dados históricos e de retorno que você define no Adaptive Planning.

Vantagens para a empresa

  • Usar tecnologia avançada de aprendizado de máquina no Adaptive Planning.
  • Aumentar a precisão, permitindo que o ML processe grandes quantidades de dados, padrões e drivers.
  • Reduza o tempo que leva para concluir um ciclo de planejamento com algoritmos de aprendizado de máquina pré-treinados.
  • Gere dados iniciais para grandes conjuntos de interseções com pouco esforço manual.
  • Use programações para automatizar as execuções de previsões e previsões contínuas para gerar previsões continuamente à medida que você importa dados de valores reais.
  • Somente locatários de pré-visualização: use programações para automatizar as execuções de previsões.

Casos de uso

Como empresa de varejo, você precisa planejar quantas unidades de produtos espera vender em cada local. Você também quer analisar um produto potencial. Você tem uma planilha de cubo que contém detalhes de vendas de anos anteriores. Você tem uma planilha padrão P&L que contém suas contas de receita.
Você pode:
  • Defina a referência histórica. Seus dados históricos devem incluir valores reais, mas você também pode adicionar versões de plano à referência e às alavancas. Exemplo: você pode definir sua referência de valores reais para começar em 2018 e terminar no final de 2019. Você pode ignorar o período fiscal de 2020 em seus valores reais porque foi um ano atípico. Em vez disso, você pode fazer referência à versão do plano histórico para 2020.
  • Escolha um algoritmo que ofereça suporte à sazonalidade quando seus dados exigirem. Exemplo: quando as vendas aumentam no final do ano para a temporada de feriados, você pode especificar que deseja que o algoritmo considere os padrões de sazonalidade anuais.
  • Gerar diferentes conjuntos de dados previstos em planilhas diferentes ou a mesma planilha para versões diferentes. Exemplo: você pode gerar uma previsão no plano de orçamento de 2025 para a planilha padrão P&L de todas as contas de receita no livro-razão. Você também pode gerar uma previsão para a Análise hipotética de 2025 no seu cubo de receita para uma dimensão de produto específica.
  • Use filtros de nível e dimensão para localizar com precisão os dados previstos. Exemplo: você pode executar uma previsão para o nível Vendas do Noroeste e produtos específicos. Execute uma previsão separada para Vendas do Sudoeste e outros produtos.
  • Usar algoritmos diferentes para conjuntos de dados diferentes ou execuções diferentes dos mesmos dados. Exemplo: selecione o algoritmo Prophet para a previsão de contas P&L. Depois de revisar os dados previstos, você pode tentar o N-BEATS. Compare as previsões com os relatórios para ver qual algoritmo se adapta melhor a esse conjunto específico de dados.
  • Defina a previsão no início do ano quando você inicia seu ciclo de planejamento. Use o recurso de programação e previsão contínua para gerar previsões automaticamente à medida que você coleta mais dados de valores reais para o ano.
  • Economizar tempo duplicando as previsões existentes, o que permite que você faça alterações rápidas em uma definição básica. Exemplo: você pode duplicar os períodos de início e de término, enquanto altera apenas as contas.

Perguntas a considerar

Pergunta
Considerações
Quão precisas foram suas previsões no passado e quanto tempo sua equipe leva para planejar previsões?
Oferecemos algoritmos de aprendizado de máquina que são uma maneira, com base em ciências e matemática, de obter previsões e orçamentos mais precisos. O uso de previsões de aprendizado de máquina fornece dados de propagação da equipe como ponto de partida, o que pode economizar um tempo valioso para a equipe e melhorar a precisão.
Seus dados de valores reais oferecem suporte ao Predictive Forecaster?
  • Você deve ter uma proporção de 3:2 pontos de dados de valores reais para pontos de dados previstos. Exemplo: uma previsão de dois anos requer três anos de dados reais.
  • Além disso, alguns algoritmos têm um requisito mínimo de pontos de dados nos dados históricos. Consulte Referência: algoritmos de aprendizado de máquina para o Adaptive Planning .
  • Cada previsão é executada em uma planilha padrão ou de cubo específica. Você só pode prever dados de e para planilhas de cubo e padrão.
  • Você só pode prever e fazer referência a contas do livro-razão, personalizadas e de cubo padrão.
Seus valores reais têm muitos espaços em branco ou zeros?
Quanto mais completos forem os dados de valores reais, mais precisa será a previsão. Os algoritmos tratam os dados históricos ausentes ou em branco como zeros, o que pode afetar a previsão. Quando seus dados de valores reais são esparsos, use os algoritmos mais adequados para dados esparsos. Referência: algoritmos de aprendizado de máquina para o Adaptive Planning
Com que frequência você carrega novos valores reais?
Você pode usar as previsões contínuas para alinhar os períodos de início e de término da previsão com a data
de Valores concluídos até
 dos dados de referência. Selecionar essa opção avança os períodos de previsão e os dados de referência para garantir predições novas e mais precisas.
Até que ponto você quer prever?
Defina os períodos de início e de término da previsão para que você faça previsões somente até o ponto necessário. Quanto mais longe você faz a previsão, menos precisa ela se torna.
Além dos dados de valores reais no Adaptive Planning, quais outros dados você quer usar para suas previsões?
Você pode usar dados externos na previsão importando-os para uma planilha modelada de alavanca. Para usar alavancas, você deve usar um destes algoritmos:
  • ARIMA
  • Ajuste automático
  • LightGBM
  • Orbit DLT
  • Prophet
O ajuste automático só usa os dados de alavanca quando aplica um algoritmo que oferece suporte a alavancas.
Você também pode usar as opções de sazonalidade, exceto quando seleciona estes algoritmos:
  • Croston
  • LightGBM
  • N-BEATS
Qual é seu nível de familiaridade com a definição de sazonalidade?
Sazonalidade é o intervalo de tempo em que os valores têm um padrão repetitivo. Use estes algoritmos quando quiser definir os padrões de sazonalidade:
  • Ajuste automático
  • Holt-Winters
  • Orbit DLT
  • Prophet
O ajuste automático usa somente a sazonalidade que você define quando seleciona um algoritmo que oferece suporte à sazonalidade.
Use estes algoritmos para permitir que o algoritmo capture a sazonalidade por conta própria:
  • ARIMA
  • Kalman Filter
  • LightGBM
  • N-BEATS

Recomendações

  • Filtrar previsões por menos contas, níveis e dimensões personalizadas. Limitar sua definição de previsão gera os dados previstos mais rapidamente.
  • Execute ou programe previsões pelo menos um dia antes da data prevista para o preenchimento dos dados previstos em seu plano. Previsões com muitas contas e níveis podem demorar mais para serem concluídas.
  • Quando seus dados históricos têm muitos espaços em branco devido à dispersão, recomendamos que você use o Croston ou o Ajuste automático, que seleciona um algoritmo para cada série de dados com base nos dados de referência.
  • Programe previsões para serem executadas automaticamente. Se preferir, designe um período e uma pessoa para executar as previsões para que você não se esqueça.
  • Use nomes intuitivos para a previsão para que você possa executá-la novamente sem precisar redefini-la.
  • Sincronize a previsão com os carregamentos mais recentes de dados de valores reais, habilitando a caixa de seleção
    Previsão contínua
     . Essa caixa de seleção avança a previsão e a referência à medida que você carrega os dados de valores reais para incluir a referência de valores reais mais recente.

Requisitos

  • Você deve ter dados de valores reais presentes na planilha padrão ou de cubo selecionada para dados históricos e previstos.
  • Para usar alavancas, você deve importar os dados externos para uma planilha modelada e selecionar o algoritmo ARIMA, AutoFit, LightGBM, Orbit DLT ou Prophet.
  • Independentemente da estrutura do calendário, para usar as opções de sazonalidade quando estiverem disponíveis, você precisa do equivalente a:
    • Três anos de valores reais para sazonalidade anual.
    • 18 meses de valores reais para sazonalidade bienal.
    • Nove meses de valores reais para sazonalidade trimestral.
  • Muitos algoritmos exigem mínimos para pontos de dados na referência histórica. Além disso, você deve ter uma proporção de pelo menos 3:2 pontos de dados de valores reais para pontos de dados previstos. Exemplo: uma previsão de dois anos requer três anos de dados reais.
  • Para a opção de sazonalidade semanal, o intervalo de tempo de todas as versões mencionadas na previsão deve ter uma cadência diária. Consulte Perguntas frequentes: Predictive Forecaster.

Limitações

  • Você não pode fazer previsões em planilhas modeladas ou contas modeladas.
  • Planilhas, Explorar célula e trilha de auditoria não indicam atualmente quando o ML gerou os dados.
  • Você não pode prever contas vinculadas, contas de métrica ou contas com fórmulas por padrão. No entanto, você pode fazer referência a dados preditos de aprendizado de máquina em fórmulas e links.
  • Você só pode usar até três regressores.
  • A previsão não inclui automaticamente dados de referência atualizados em seus valores reais. Você deve atualizar manualmente o período da previsão para incluir os dados de referência atualizados em seus valores reais.
  • Quando você usa um calendário não padrão, os resultados são menos precisos. Exemplo: calendários 4-4-5 para casos de uso de varejo.
  • Você não pode criar previsões para planilhas com dimensões personalizadas que tenham habilitada esta configuração:
    A importação de dados cria automaticamente valores de dimensão
    .

Definição de locatário

Sem impacto.

Segurança

  • Permissão
    Predictive Forecaster
     .
  • Acesso aos níveis, contas e versões que você quer incluir na previsão.

Processos de negócios

Sem impacto.

Geração de relatórios

Você pode gerar relatórios sobre as previsões geradas pelo Predictive Forecaster.

Integrações

Sem impacto.

Relações e interações

A Workday oferece um Touchpoints Kit com recursos para ajudar você a entender as relações entre as configurações em seu locatário. Saiba mais sobre o Workday Touchpoints Kit no Workday Community.

Outros impactos

A execução de previsões afeta o desempenho geral do seu modelo da mesma forma que qualquer processo de importação de integração.