Návrh modelů prognóz
Modely prognóz umožňují uspořádat a konfigurovat dlaždice pro definování prognózy vytvořené profil prognóz. Každý model představuje vývojový diagram, který graficky znázorňuje výpočet, který model provádí.
Algoritmy prognózy poptávky
Plánování poptávky zahrnuje tři oblíbené algoritmy prognózy poptávky: auto-ARIMA, ETS a Prophet. Algoritmus prognózy poptávky, který používáte, závisí na konkrétních charakteristikách vašich historických dat.
- Auto-ARIMA funguje nejlépe, když data sledují stabilní vzory.
- Chyba, trend a sezónnost (ETS) je všestranná volba pro data, která mají trendy nebo sezónnost.
- Prophet nejlépe pracuje s komplexními daty z reálného světa.
Plánování poptávky také poskytuje jak nejvhodnější model (který automaticky vybere nejlepší z dostupných algoritmů pro každou kombinaci produktu a dimenze), tak možnost vyvíjet a používat vlastní modely.
Když porozumíte těmto algoritmům a jejich silným stránkám, můžete činit informovaná rozhodnutí, abyste optimalizovali svůj dodavatelský řetězec a uspokojili poptávku zákazníků.
Tato část popisuje, jak každý algoritmus funguje, a jeho vhodnost pro různé typy historických dat poptávky.
Model nejlepší shody
Model s nejlepším proložením automaticky vyhledá, který z ostatních dostupných algoritmů (auto-ARIMA, ETS nebo Prophet) nejlépe vyhovuje vašim datům pro každou kombinaci produktu a dimenze. Tímto způsobem lze pro různé produkty použít různé modely. Ve většině případů doporučujeme použít nejvhodnější model, protože kombinuje silné stránky všech ostatních standardních modelů. Následující příklad ukazuje, jak na to.
Předpokládejme, že máte historická data časových řad poptávky, která zahrnují kombinace dimenzí uvedené v následující tabulce.
| Produkt | Obchod |
|---|---|
| A | 1 |
| A | 2 |
| D | 1 |
| D | 2 |
Když spustíte výpočet prognózy pomocí modelu Prophet, získáte následující výsledky. V tomto příkladu systém vždy používá model Prophet bez ohledu na vypočítanou střední absolutní procentuální chybu (MAPE) pro každou kombinaci produktu a dimenze.
| Produkt | Obchod | model prognózy | MAPE |
|---|---|---|---|
| A | 1 | Prorok | 0.12 |
| A | 2 | Prorok | 0.56 |
| D | 1 | Prorok | 0.65 |
| D | 2 | Prorok | 0.09 |
Když spustíte výpočet prognózy pomocí modelu ETS, získáte následující výsledky. V tomto příkladu systém vždy používá model ETS bez ohledu na vypočítanou MAPE pro každou kombinaci produktu a dimenze.
| Produkt | Obchod | model prognózy | MAPE |
|---|---|---|---|
| A | 1 | ETS | 0.18 |
| A | 2 | ETS | 0.15 |
| D | 1 | ETS | 0.21 |
| D | 2 | ETS | 0.31 |
Když spustíte výpočet prognózy pomocí optimálně proloženého modelu, systém optimalizuje výběr modelu pro každou kombinaci produktu a dimenze. Výběr se mění na základě vzorců nalezených v historických datech prodeje.
| Produkt | Obchod | Prorok MAPE | Auto-ARIMA MAPE | ETS MAPE | Nejvhodnější model prognózy | Nejvhodnější MAPE |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | Prorok | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | ETS | 0.15 |
| D | 1 | 0.65 | 0.09 | 0.21 | Auto-ARIMA | 0.09 |
| D | 2 | 0.10 | 0.27 | 0.31 | Prorok | 0.10 |
Následující graf znázorňuje celkovou prognózu prodeje ve všech dimenzích (všechny produkty ve všech obchodech) na příštích devět měsíců, která byla zjištěna pomocí tří různých modelů prognózy. Zelená čára představuje nejvhodnější model. Vzhledem k tomu, že funkce Best Fit zvolí nejlepší model prognózy pro každou kombinaci produktu a dimenzí, vyhnete se odlehlým hodnotám, ke kterým by mohlo dojít při vynucení jednoho modelu u všech kombinací dimenzí. Výsledkem je, že celková nejvhodnější prognóza se podobá průměru předpovědí s jedním modelem.
Legenda:
- Červená = Pouze Prorok
- Modrá = pouze ETS
- Zelená = nejvhodnější
Auto-ARIMA: Potěšení cestovatele v čase
Algoritmus auto-ARIMA je jako stroj času: vezme vás na cestu přes minulé vzorce poptávky, abyste mohli informovaně předpovídat budoucnost. Auto-ARIMA používá techniku, která se označuje autoregresivní integrovaný klouzavý průměr (ARIMA). Tato technika kombinuje tři klíčové komponenty: autoregresi, diferenciaci a klouzavé průměry. Algoritmus auto-ARIMA automaticky identifikuje nejlepší kombinaci těchto komponent a vytvoří předpovědní model, který bude vyhovovat vašim datům.
Auto-ARIMA funguje obzvláště dobře s daty časových řad, které vykazují stabilní vzor v čase, jako jsou sezónní výkyvy nebo trendy. Pokud vaše historická poptávka sleduje přiměřeně konzistentní cestu, může být vaší preferovanou metodou prognózování automatická ARIMA.
ETS: Měňavec
Error, trend, and seasonality (ETS) je všestranný algoritmus prognózy poptávky, který se přizpůsobuje tvaru vašich dat. Může změnit svůj přístup na základě charakteristik vaší historické poptávky. Proto je vhodný pro širokou škálu scénářů.
Název ETS je zkratkou pro tři základní komponenty, na které algoritmus rozkládá data časové řady: chyba, trend a sezónnost. Díky pochopení a modelování těchto komponent ETS generuje prognózy, které zachycují základní vzorce ve vašich datech. Nejlépe funguje s daty, která ukazují jasné sezónní vzorce, trendy nebo obojí. Proto je to vynikající volba pro podniky, které mají sezónně ovlivněné produkty nebo služby.
Prophet: Vizionářský prognostický guru
Prophet byl vyvinut výzkumným týmem Facebook. Jedná se o moderní a flexibilní prognostický algoritmus, který si poradí s problémy reálných dat. Je zvláště efektivní při manipulaci s chybějícími hodnotami, odlehlými hodnotami a složitými vzory.
Prophet pracuje tak, že rozloží data časových řad do několika komponent, jako je trend, sezónnost a svátky, a poté každému komponentu přizpůsobí model. Tento přístup umožňuje Prophet přesně zachytit nuance ve vašich datech a vytvářet spolehlivé předpovědi. Prophet je ideální pro podniky, které mají nepravidelné vzorce poptávky nebo časté odlehlé hodnoty, nebo podniky, které jsou ovlivněny speciálními událostmi, jako jsou svátky nebo propagační akce.
Vlastní algoritmus Azure Machine Learning
Pokud máte vlastní Microsoft Azure algoritmus Machine Learning, který chcete použít s modely prognózy, můžete jej použít v plánování poptávky.
Vytvoření a přizpůsobení modelu prognózy
Chcete-li vytvořit a přizpůsobit model prognózy, musíte nejprve otevřít existující profil prognózy. (Další informace naleznete v části Práce s profily prognóz.) Poté můžete plně přizpůsobit model, který vybraný profil používá, přidáním, odebráním a uspořádáním dlaždic a konfigurací nastavení pro každého z nich.
K vytvoření a přizpůsobení modelu prognózy postupujte takto.
- Na navigačním podokně vyberte Operace>Profily prognózy.
- Vyberte profil prognózy, pro který chcete vytvořit nebo přizpůsobit model prognózy.
- Na kartě Model prognózy bude vždy alespoň jedna dlaždice (typu Vstup) na v horní části vývojového diagramu. Model se zpracovává shora dolů a poslední dlaždice musí být dlaždice typu Uložit. Přidejte, odeberte a uspořádejte dlaždice podle potřeby a nakonfigurujte nastavení pro každou z nich. Pokyny naleznete na obrázku po tomto postupu.
- Po dokončení návrhu modelu prognózy vyberte v pravém horním rohu tlačítko Ověřit
. Systém provede několik testů, aby ověřil, že váš model bude fungovat, a poté poskytne zpětnou vazbu. Opravte všechny problémy, které ověřovací test nahlásí. - Pokračujte v práci, dokud nebude váš model připraven. Poté v podokně akcí zvolte Uložit.
- Pokud chcete model prognózy uložit jako přednastavený, aby byl k dispozici, když vy a ostatní uživatelé vytvoříte nový profil prognózy, vyberte tlačítko Uložit jako šablonu modelu
v pravém horním rohu.
Následující obrázek ukazuje informace a ovládací prvky, které jsou dostupné pro dlaždice v modelu prognózy.
Legenda:
Ikona dlaždice– Symbol, který představuje účel dlaždice.
Typ dlaždice– Typ dlaždice. Tento text obvykle popisuje typ rolí, výpočtů nebo jiných akcí, které dlaždice představuje.
Název dlaždice– Název, který je použit pro dlaždici. Někdy můžete tento text zadat ručně do nastavení dlaždice. Obvykle však označuje hodnotu jednoho z nastavení, která byla pro dlaždici nakonfigurována.
Akce dlaždice– Otevřete nabídku akcí, které můžete na dlaždici provést. Ačkoli některé z těchto akcí jsou specifické pro daný typ dlaždice, většina z nich je společná pro všechny dlaždice. Pokud se některé akce zobrazí šedě, nelze je použít kvůli aktuální poloze dlaždice nebo z nějakého jiného kontextuálního důvodu. Zde jsou některé běžné akce, které jsou k dispozici:
- Nastavení – Otevřete dialogové okno, kde můžete nakonfigurovat nastavení dlaždice.
- Odstranit – Odstraňte dlaždici.
- Přesunout nahoru a Přesunout dolů – Přemístěte dlaždici ve vývojovém diagramu.
- Nastavit na "Průchozí" – Dočasně zakáže aktuálně povolenou dlaždici, aniž by ji nebo její nastavení odstranili.
- Zrušit nastavení "Průchozí" – Znovu povolí aktuálně deaktivovanou dlaždici.
Přidat dlaždici – Přidejte novou dlaždici na vybrané místo.
Typ dlaždic prognózy
Tato část popisuje účel každého typu dlaždice prognózy. Také vysvětluje, jak používat a konfigurovat jednotlivé typy.
Vstupní dlaždice
Vstupní dlaždice představují časovou řadu, která poskytuje vstup do modelu prognózy. Časová řada je ta, která je uvedena na kartě Zahrnuté na kartě Vstupní data. Název nelze upravit.
Vstupní dlaždice mají pouze jedno pole, které můžete nastavit: Doplňte chybějící hodnoty.
Dlaždice Zpracování odlehlých hodnot
Zpracování odlehlých hodnot Dlaždice identifikují a kompenzují odlehlé datové body ve vstupu. Tyto datové body jsou považovány za anomálie, které by měly být ignorovány nebo vyhlazeny, aby se zabránilo jejich vyřazení z výpočtu prognózy.
Dlaždice Zpracování odlehlých hodnot mají následující pole, která můžete nastavit:
Zpracování odlehlých hodnot – Vyberte jednu z následujících možností:
- Mezikvartilové rozpětí (IQR)
- Sezónní a trendový rozklad pomocí spraše (STL)
Multiplikátor mezikvartilového rozsahu– Toto pole je k dispozici pouze v případě, že je pole Zpracování odlehlých hodnot nastaveno na IQR.
Metody oprav– Toto pole je k dispozici pouze v případě, že je pole Zpracování odlehlých hodnot nastaveno na IQR.
Nápověda k sezónnosti– Toto pole je k dispozici pouze v případě, že je pole Zpracování odlehlých hodnot nastaveno na STL.
Dlaždice prognózy
Dlaždice prognózy použijí vybraný algoritmus prognózy na vstupní časovou řadu a vytvoří časovou řadu prognózy.
Dlaždice prognózy mají pouze jedno pole, které můžete nastavit: Typ modelu. Použijte ho k výběru algoritmu prognózy, který chcete použít. Další informace o každém z dostupných algoritmů naleznete v části Algoritmy prognózování poptávky. Vyberte některý z následujících algoritmů:
- ARIMA – autoregresní integrovaný klouzavý průměr
- ETS – Chyba, trend, sezónnost
- Prorok – Facebook Prorok
- Nejvhodnější model
Finance a operace – dlaždice Azure Machine Learning
Pokud již používáte vlastní algoritmy Azure Machine Learning pro prognózu poptávky v aplikaci dodavatelský řetězec Management (jak je popsáno v části Přehled prognózy poptávky), můžete je používat i při používání aplikace Plánování poptávky. Stačí dát dlaždici Finance a operace – Azure Machine Learning v modelu prognózy namísto dlaždice Prognóza.
Informace o tom, jak nastavit plánování poptávky pro připojení a používání algoritmů Azure Machine Learning, najdete v tématu Použití vlastních algoritmů Azure Machine Learning v plánování poptávky.
Dlaždice s postupným zaváděním/vyřazováním
Dlaždice postupného zavádění/ukončování upravují hodnoty datového sloupce v časové řadě tak, aby simulovaly postupné zavádění nového prvku (například nového produktu nebo skladu) nebo postupné vyřazování starého prvku. Výpočet postupného zavádění/ukončování trvá určité období a používá hodnoty, které jsou čerpány ze stejné časové řady (buď ze stejného sloupce dat, který je upravován, nebo z jiného sloupce dat, který představuje podobný prvek).
Dlaždice s postupným zaváděním/odřazováním mají následující pole, která můžete nastavit:
- krok název – Konkrétní název dlaždice. Tento název je uveden také ve vývojovém diagramu.
- Popis – Krátký popis dlaždice.
- Vytvořil– Uživatel, který dlaždici vytvořil.
- Skupina pravidel– název skupiny pravidel, která definuje výpočet, který dlaždice provádí.
Při nastavování modelu prognózy ovlivňuje výsledek výpočtu umístění dlaždice Postupně zavádění/ukončování . Chcete-li použít výpočet postupného zavádění/ukončování na historická prodejní čísla, umístěte dlaždici Postupné přispívání a odcházení před dlaždici Prognóza (jak je znázorněno na levé straně následujícího obrázku). Chcete-li použít výpočet postupného zavádění/odpojování na předpokládaný výsledek, umístěte dlaždici Postupné začínání/odcházení za dlaždici Prognóza (jak je znázorněno na pravé straně následujícího obrázku).
Další informace o funkcích postupného zavádění a ukončování, včetně podrobností o nastavení skupin pravidel postupného zavádění a odcházení, najdete v tématu Použití funkce postupného zavádění a odpojování k simulaci plánovaných změn.
Uložení dlaždic
Uložit dlaždice: Uložte výsledek modelu prognózy jako novou nebo aktualizovanou řadu. Všechny modely prognózy musí končit jedinou dlaždicí Uložit.
Časová řada prognózy se uloží podle nastavení, které nakonfigurujete při každém spuštění úlohy prognózy, jak je popsáno v části Práce s profily prognózy.