設定注意事項︰Predictive Forecaster
您可以在規劃 Predictive Forecaster 的配置和使用時，使用本主題來做決定。主要內容包括︰
- 為何要設定。
- 其與 Workday 其餘部分的整合方式
- 後續影響以及跨產品交互作用
- 安全要求事項與業務流程配置
- 實作前應考量的問題和限制
請參閱詳細任務說明，取得完整的配置詳細資料。
內容
Predictive Forecaster 是一項由機器學習 (ML) 提供支援的智慧規劃功能。Predictive Forecaster 使用機器學習產生的資料播種計畫版本，這是預算經理人員可靠的起點。透過預測性預測，您可以選擇並測試各種演算法，以依據您在 Adaptive Planning 內定義的歷史和回歸量資料產生時間序列預測。
商業效益
- 在 Adaptive Planning 中使用進階的機器學習技術。
- 讓機器學習處理大量資料、模式和驅動因素，藉此提高準確性。
- 使用預先訓練的機器學習演算法，減少完成一個規劃週期所需的時間。
- 只需極少的手動作業，即可為大量交集產生種子資料。
- 使用排程自動執行預測和滾動預測，以便在匯入實際值資料時以滾動方式產生預測。
- 僅限預覽用戶︰使用排程自動執行預測。
使用個案
身為零售公司，您需要規劃每個地點的預期銷售產品單位數。您還想分析預期產品。您有一個 Cube 工作表，其中包含過去幾年的銷售詳細資料。您有一個損益表標準工作表，其中包含營業收入科目。
您可以︰
- 定義歷史參照。您的歷史資料必須包含實際值，但您也可以將計畫版本新增至參照和槓桿。範例︰您可以將實際值參照定義為從 2018 年開始，到 2019 年底結束。您可以在實際值中略過 2020 年的會計期間，因為該會計期間不同尋常。相反，您可以參照 2020 年的歷史計畫版本。
- 當您的資料需要時，請選擇支援季節性的演算法。範例︰當假日季節年終的銷售額增加時，您可以指定讓演算法考慮年度季節性模式。
- 將不同的預測資料集產生到不同的工作表中，或在相同的工作表中產生不同的版本。 範例︰您可以在 2025 年預算計畫中，為總分類帳中所有營業收入科目的損益表 (P&L) 標準工作表產生預測。 您也可以在營業收入 Cube 中針對特定產品維度，產生 2025 年假設假設分析的預測。
- 使用層級和維度篩選條件來精確定位預測資料。範例︰您可以針對「西北部銷售」層級和特定產品執行預測。針對「西南部銷售」和不同的產品執行個別預測。
- 對不同的資料集或相同資料的不同執行作業使用不同的演算法。範例︰選取損益表 (P&L) 科目預測的 Prophet 演算法。檢閱預測資料後，您可以嘗試使用 N-BEATS。將預測與報告進行比較，以查看最適合該特定資料集的演算法。
- 在開始您的規劃週期時，設定年初的預測。使用排程和滾動預測功能，當您在年度收集更多實際值資料時，自動產生預測。
- 複製現有預測可節省時間，讓您能夠從基本定義快速變更。 範例︰您可以復制開始和結束期間，但僅變更科目。
需要考慮的問題
問題 | 注意事項 |
|---|---|
您的預測在過去的精確度如何？您的團隊需要多長時間來規劃預測？ | 我們提供的機器學習演算法以科學和數學為基礎，讓您取得更準確的預測和預算。使用機器學習預測可將您的團隊種子資料做為起點，這可為您的團隊節省寶貴的時間並提高準確性。 |
您的實際值資料是否支援 Predictive Forecaster？ |
|
您的實際值是否有許多空白或零？ | 實際值資料越完整，預測就越準確。演算法會將遺漏或空白的歷史資料視為零，這可能會影響預測。當實際值資料稀疏時，請使用最適合稀疏資料的演算法。 Reference: Machine Learning Algorithms for Adaptive Planning |
您多久載入一次新的實際值？ | 您可以使用滾動預測，將預測開始和結束期間與參照資料的 完成值期間結束 日期保持一致。選取此選項會將預測期間向前移動，並將參照資料向前移動，以確保提供最新且更準確的預測。 |
您要預測多長時間？ | 設定預測開始和結束期間，以便僅在必要時進行預測。您預測的越深入，預測就越不准確。 |
除了 Adaptive Planning 中的實際值資料，您還想在預測中使用哪些其他資料？ | 您可以將外部資料匯入至槓桿模型工作表，以在預測中使用外部資料。若要使用槓桿，您必須使用下列其中一種演算法︰
只有在套用支援槓桿的演算法時，自動調整才會使用槓桿資料。 您也可以使用季節性選項，除非您選取下列演算法︰
|
您對季節性定義的滿意程度如何？ | 「季節性」是值具有重複模式的時間間隔。當您要定義季節性模式時，請使用以下演算法︰
自動調整隻會在選取支援季節性的演算法時，使用您定義的季節性。 使用下列演算法，讓演算法自行擷取季節性︰
|
建議
- 依較少的科目、層級和自訂維度來篩選預測。限制預測定義會更快地產生預測資料。
- 在您預計將預測資料填入計畫前至少 1 天執行或排定預測。具有多個科目和層級的預測可能需要更長時間才能完成。
- 當您的歷史資料因稀疏而有許多空白時，我們建議您使用「Croston」或「AutoFit」，後者會依據參照資料為每個資料序列選取演算法。
- 排定自動執行預測的時間。或者，指定執行預測的時間和人員，以免忘記。
- 使用直觀的預測名稱，讓您無需重新定義即可再次執行預測。
- 啟用「滾動預測」核取方塊，即可將預測與最新載入的實際值資料同步。此核取方塊會在您載入實際值資料時將預測和參照向前移動，以包含最新的實際值參照。
要求
- 為歷史資料和預測資料選取的標準工作表或 Cube 工作表中，必須有實際值資料。
- 若要使用槓桿，您必須將外部資料匯入模型工作表，且必須選取 Prophet、AutoFit、LightGBM 或 Orbit DLT 演算法。
- 無論您的行事歷結構為何，若要在季節性選項可用時使用這些選項，您都需要具備以下同等條件︰
- 年度季節性因素為 3 年的實際值。
- 每半年季節性為 18 個月的實際值。
- 每季季節性為 9 個月的實際值。
- 許多演算法都要求歷史參照中的資料點下限。此外，實際值資料點與預測資料點的比率必須至少為 3:2。範例︰2 年的預測需要 3 年的實際值資料。
- 對於每周季節性選項，預測中參照的所有版本的時間範圍都必須採用每日節奏。請參閱「」 FAQ: Predictive Forecaster。
限制
- 您無法預測模型工作表或模型科目。
- 工作表、探索儲存格和稽核軌跡目前不會指出機器學習產生資料的時間。
- 您無法預測來源連結科目、指標科目或任何具有預設公式的科目。 但是，您可以在公式和連結中參照機器學習預測的資料。
- 您最多只能使用 3 個回歸量。
- 預測不會在實際值中自動包含更新的參照資料。 您必須手動更新預測期間，才能在實際值中包含更新後的參照資料。
- 使用非標準行事歷時，結果的準確性會降低。範例︰零售用例的 4-4-5 行事歷
- 您無法為具有已啟用以下設定的自訂維度的工作表建立預測︰「資料匯入會自動建立維度值」。
用戶設定
沒有影響。
安全
- 「預測者」權限
- 存取您要納入預測的層級、科目和版本
業務流程
沒有影響。
報告
您可以報告Predictive Forecaster 產生的預測。
整合
沒有影響。
連結和觸點
Workday 提供了一個「觸點套件」，其中包含的資源可協助您了解用戶中的配置關係。請前往 Workday Community 深入了解 Workday Touchpoints Kit (Workday 觸點套件)。
其他影響
執行預測對模型整體效能的影響，與任何整合匯入流程的影響方式大致相同。