跳至主要内容
Adaptive Planning
上次更新时间 :2025-09-19
设置时需考虑的事项:预测型预测器

设置时需考虑的事项:预测型预测器

在规划预测预测器的配置和使用时,您可以利用本主题来帮助做出决策。本主题解释了以下内容:
  • 设置目的。
  • 如何与 Workday 的其他功能协同工作。
  • 后续影响和跨产品交互
  • 安全性要求和业务流程配置
  • 实施前需考虑的问题和限制
如需了解完整的配置详细信息,请参见详细的任务说明。

它是什么

预测预测器是一项由机器学习 (ML) 提供支持的智能规划功能。预测预测器会使用机器学习生成的数据为计划版本设定种子值,这对于预算经理来说是一个可靠的起点。借助“预测预测”功能,您可以选择并测试各种算法,以根据您在 Adaptive Planning 中定义的历史数据和回归量数据生成时间序列预测。

功能优势

  • 在 Adaptive Planning 中使用高级机器学习技术。
  • 使机器学习能够处理大量数据、模式和驱动因素,从而提高准确性。
  • 使用预训练的机器学习算法缩短完成一个规划周期所需的时间。
  • 几乎不需要手动操作,即可为大量交集生成种子数据。
  • 使用时间表自动运行预测和滚动预测,以便在导入实际值数据时滚动生成预测。
  • 仅预览租户:使用时间表自动运行预测。

用例

作为一家零售公司,您需要规划每个地点的预期销售产品单位数。您还想分析预期产品。您有一个多维工作表,其中包含往年的销售详细信息。您有一个损益表标准工作表,用于保存您的收入账户。
您可以执行以下操作:
  • 定义历史参考。历史数据必须包括实际值,但您也可以将计划版本添加到引用和杠杆中。示例:您可以将实际值参考定义为从 2018 年开始,到 2019 年底结束。您可以在实际值中跳过 2020 年的会计期间,因为 2020 年不正常。您可以改为引用 2020 年的历史计划版本。
  • 选择在数据需要时支持季节性的算法。示例:当销售额在年底因节假日而增加时,您可以指定算法将年度季节性模式考虑在内。
  • 在不同的工作表中生成不同的预测数据集,或在不同版本中生成相同的工作表。 示例:对于总分类账中的所有收入账户,您可以在“2025 年预算计划”中为损益表标准工作表生成预测。 您还可以针对特定产品维度,在收入多维工作表中为“2025 年假设分析”生成预测。
  • 使用层级和维度筛选器来精确定位预测数据。示例:您可以为“西北销售”层级和特定产品运行预测。为 Southwest Sales 和不同的产品运行单独的预测。
  • 对不同的数据集或同一数据的不同运行使用不同的算法。示例:为损益表账户的预测选择 Prophet 算法。检查预测的数据后,您可以尝试 N-BEATS。将预测与报告进行比较,以查看最适合该组特定数据的算法。
  • 在年初开始规划周期时设置预测。当您收集更多的年度实际值数据时,使用排班和滚动预测功能自动生成预测。
  • 通过复制现有预测来快速更改基本定义,从而节省时间。 示例:您可以复制开始期间和结束期间,但仅更改账户。

要考虑的问题

问题
需考虑的事项
您过去预测的准确性如何?您的团队花费了多长时间来规划预测?
我们提供机器学习算法,通过这种基于科学和数学的方法来获得更准确的预测和预算。使用机器学习预测时,您可以将团队种子数据作为起点,从而节省团队的宝贵时间并提高准确性。
您的实际值数据是否支持 Predictive Forecaster?
  • 实际值数据点与预测数据点的比率必须为 3:2。示例:为期 2 年的预测需要 3 年的实际值数据。
  • 此外,某些算法对历史数据中的数据点有最低要求。请参见 参考信息:适用于 Adaptive Planning 的机器学习算法
  • 每个预测都在特定的标准工作表或多维工作表上运行。您只能预测与多维工作表和标准工作表之间传入/传出的数据。
  • 您只能预测和参考总分类账账户、自定义账户和多维标准账户。
实际值是否有许多空白或零?
实际值数据越完整,预测就越准确。算法会将缺失或留空的历史数据视为零,这可能会影响预测。当实际值数据稀疏时,请使用最适合稀疏数据的算法。 参考信息:适用于 Adaptive Planning 的机器学习算法
您加载新实际值的频率如何?
您可以使用滚动预测,使预测开始期间和结束期间与参考数据的
“完成值截止
日期”保持一致。选择此选项会将预测期间前移并前移参考数据,以确保提供最新且更准确的预测。
您希望预测多久之后的时间?
设置预测开始期间和结束期间,以便您仅根据需要进行预测。您预测得越深入,预测的准确性就越低。
除了 Adaptive Planning 中的实际值数据外,您还希望将哪些其他数据用于预测?
您可以通过将外部数据导入到杠杆模型化工作表中,在预测中使用外部数据。要使用杠杆,您必须使用以下算法之一:
  • ARIMA
  • AutoFit
  • LightGBM
  • Orbit DLT
  • Prophet
仅当自动调整应用支持杠杆的算法时,它才会使用杠杆数据。
您也可以使用季节性选项,但选择以下算法时除外:
  • Croston
  • LightGBM
  • N-BEATS
您对季节性的定义是否得心应手?
季节性是指值具有重复模式的时间间隔。如果要定义季节性模式,请使用以下算法:
  • AutoFit
  • Holt-Winters
  • Orbit DLT
  • Prophet
只有在选择支持季节性的算法时,“自动调整”才会使用您定义的季节性。
使用以下算法,让算法自行捕获季节性:
  • ARIMA
  • Kalman 筛选器
  • LightGBM
  • N-BEATS

建议

  • 按较少的账户、层级和自定义维度筛选预测。对预测定义进行限制后,生成预测数据的速度会更快。
  • 至少提前 1 天运行预测或排定预测时间表,以便将预测数据填充到计划中。包含多个账户和层级的预测可能需要更长时间才能完成。
  • 如果您的历史数据因稀疏性而包含许多空白,我们建议您使用“Croston”或“自动调整”,后者会根据参考数据为每个数据系列选择算法。
  • 将预测排定为自动运行。或者,指定运行预测的时间和人员,以防忘记。
  • 为预测使用直观的名称,以便您无需重新定义即可再次运行预测。
  • 启用
    “滚动预测”
    复选框,将预测与最新加载的实际值数据同步。当您加载实际值数据以包括最近的实际值参考值时,此复选框会将预测值和参考值前移。

要求

  • 您为历史数据和预测数据选择的标准工作表或多维工作表中必须存在实际值数据。
  • 要使用杠杆,您必须将外部数据导入到模型化工作表中,并且必须选择 ARIMA、自动调整、LightGBM、Orbit DLT 或 Prophet 算法。
  • 无论您的日历结构如何,要在季节性选项可用时使用季节性选项,您需要具备以下等效性:
    • 每年季节性变化的 3 年实际值
    • 对于一年两次的季节性,18 个月的实际值
    • 9 个月的实际值(按季度季节性)。
  • 许多算法对历史参考中的数据点最小值都有要求。此外,实际值数据点与预测数据点的比率必须至少为 3:2。示例:为期 2 年的预测需要 3 年的实际值数据。
  • 对于每周季节性选项,预测中引用的所有版本的时间范围必须为每日频率。请参见 常见问题:预测型预测器

限制

  • 您无法预测模型化工作表或模型化账户。
  • 工作表、浏览单元格和审核线索当前不会指明机器学习生成数据的时间。
  • 您无法预测源关联账户、指标账户或任何包含默认公式的账户。但是,您可以在公式和链接中引用机器学习预测的数据。
  • 您最多只能使用 3 个回归量。
  • 预测不会自动在实际值中包括更新后的参考数据。 您必须手动更新预测期间,才能在实际值中包括更新后的参考数据。
  • 如果您使用非标准日历,结果的准确性会降低。示例:适用于零售用例的 4-4-5 日历。
  • 如果工作表具有启用了此设置的自定义维度,则您无法为它们创建预测:
    “导入数据时自动创建维度值”
    设置。

租户设置

无影响。

安全性

  • “预测者”
    权限
  • 访问您要包括在预测中的层级、账户和版本。

业务流程

无影响。

报告

您可以生成有关“预测预测器”生成的预测报告。

集成

无影响。

连接和关联点

Workday 提供了一个包含各种资源的 Workday Touchpoints Kit,可帮助您了解租户中的配置关系。如需进一步了解 Workday Touchpoints Kit(英文),请访问 Workday Community。

其他影响

运行预测会对模型的整体性能产生影响,其影响方式与任何集成导入流程的影响方式大致相同。