Projetar modelos de previsão
Os modelos de previsão permitem que você organize e configure blocos para definir a previsão feita por um perfil de previsão. Cada modelo apresenta um fluxograma que representa graficamente o cálculo que o modelo faz.
Algoritmos de previsão de demanda
O planejamento de demanda inclui três algoritmos populares de previsão de demanda: auto-ARIMA, ETS e prophet. O algoritmo de previsão de demanda usado depende das características específicas dos seus dados históricos.
- O Auto-ARIMA funciona melhor quando os dados seguem padrões estáveis.
- Erro, tendência e sazonalidade (ETS) é uma opção versátil para dados com tendências ou sazonalidade.
- O prophet funciona melhor com dados complexos do mundo real.
O planejamento de demanda também fornece um modelo de melhor ajuste (que seleciona automaticamente o melhor dos algoritmos disponíveis para cada combinação de produto e dimensão) e a capacidade de desenvolver e usar seus próprios modelos personalizados.
Ao compreender esses algoritmos e seus pontos fortes, você poderá tomar decisões informadas para otimizar sua cadeia de fornecedores e atender à demanda dos clientes.
Esta seção descreve como cada algoritmo funciona e sua adequação para diferentes tipos de dados históricos de demanda.
Modelo de melhor ajuste
O modelo de melhor ajuste encontra automaticamente qual dos outros algoritmos disponíveis (auto-ARIMA, ETS ou Prophet) melhor se ajusta aos seus dados para cada combinação de produto e dimensão. Dessa forma, os diferentes modelos podem ser utilizados para diferentes produtos. Na maioria dos casos, recomendamos usar o modelo de melhor ajuste porque ele combina os pontos fortes de todos os outros modelos padrão. O exemplo a seguir mostra como.
Suponha que você tenha os dados históricos de série temporal de demanda que incluem as combinações de dimensão listadas na tabela a seguir.
| Produto | Armazenar |
|---|---|
| A | 1 |
| A | 2 |
| E | 1 |
| E | 2 |
Ao executar um cálculo de previsão usando o modelo do Profeta, você obtém os seguintes resultados. Neste exemplo, o sistema sempre usa o modelo Prophet, independentemente do erro percentual absoluto (MAPE) médio calculado para cada combinação de produto e dimensão.
| Produto | Armazenar | modelo de previsão | MAPE |
|---|---|---|---|
| A | 1 | Profeta | 0.12 |
| A | 2 | Profeta | 0.56 |
| E | 1 | Profeta | 0.65 |
| E | 2 | Profeta | 0.09 |
Ao executar um cálculo de previsão usando o modelo ETS, você obtém os seguintes resultados. Neste exemplo, o sistema sempre usa o modelo ETS, independentemente do MAPE calculado para cada combinação de produto e dimensão.
| Produto | Armazenar | modelo de previsão | MAPE |
|---|---|---|---|
| A | 1 | ETS | 0.18 |
| A | 2 | ETS | 0.15 |
| E | 1 | ETS | 0.21 |
| E | 2 | ETS | 0.31 |
Ao executar um cálculo de previsão usando o modelo de melhor ajuste, o sistema otimiza a seleção do modelo para cada combinação de produto e dimensão. A seleção muda com base nos padrões encontrados nos dados históricos de vendas.
| Produto | Armazenar | Profeta MAPE | Auto-ARIMA MAPE | ETS MAPA | Modelo de previsão de melhor ajuste | Melhor ajuste MAPE |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | Profeta | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | ETS | 0.15 |
| E | 1 | 0.65 | 0.09 | 0.21 | Auto-ARIMA | 0.09 |
| E | 2 | 0.10 | 0.27 | 0.31 | Profeta | 0.10 |
O gráfico a seguir mostra a previsão geral de vendas em todas as dimensões (todos os produtos em todas as lojas) nos próximos nove meses, encontrada usando três modelos de previsão diferentes. A linha verde representa o modelo de melhor ajuste. Como o melhor ajuste escolhe o melhor modelo de previsão para cada combinação de produto e dimensão, ele evita que as exceções que poderiam ocorrer forcem um único modelo em todas as combinações de dimensão. Como resultado, a previsão geral de melhor ajuste se assemelha a uma média das previsões de modelo único.
Legenda:
- Vermelho = Somente Profeta
- Azul = Somente ETS
- Verde = Melhor ajuste
Auto-ARIMA: a maravilha do viajante do tempo
O algoritmo auto-ARIMA é como uma máquina do tempo: leva você em uma jornada pelos padrões de demanda passados para que você possa fazer previsões embasadas sobre o futuro. O auto-ARIMA usa uma técnica conhecida como média móvel integrada autorregressiva (ARIMA). Essa técnica combina três componentes principais: autorregressão, diferenciação e médias móveis. O algoritmo auto-ARIMA identifica automaticamente a melhor combinação desses componentes para criar um modelo de previsão adequado aos seus dados.
O auto-ARIMA funciona especialmente bem com dados de séries temporais que mostram um padrão estável ao longo do tempo, como flutuações sazonais ou tendências. Se a sua demanda histórica seguir um caminho razoavelmente consistente, o auto-ARIMA poderá ser seu método de previsão preferido.
ETS: o transmorfo
Erro, tendência e sazonalidade (ETS) é um algoritmo versátil de previsão de demanda que se adapta à forma de seus dados. Ele pode mudar sua abordagem com base nas características da sua demanda histórica. Portanto, ele é adequado para uma ampla variedade de cenários.
O nome ETS é uma abreviatura para os três componentes essenciais nos quais o algoritmo decompõe os dados da série temporal: erro, tendência e sazonalidade. Ao compreender e modelar esses componentes, o ETS gera previsões que capturam os padrões subjacentes nos seus dados. Ele funciona melhor com dados que mostram padrões sazonais claros, tendências ou ambos. Portanto, é uma excelente escolha para empresas que tenham produtos ou serviços que são afetados sazonalmente.
Prophet: o guru visionário da previsão
O prophet foi desenvolvido pela equipe de pesquisa do Facebook. É um algoritmo de previsão moderno e flexível que pode lidar com os desafios dos dados do mundo real. É especialmente eficaz no tratamento de valores ausentes, valores discrepantes e padrões complexos.
O prophet trabalha decompondo os dados da série temporal em vários componentes, como tendência, sazonalidade e feriados, e depois ajustando um modelo para cada componente. Essa abordagem permite que o prophet capture com precisão as nuances dos seus dados e produza previsões confiáveis. O prophet é ideal para empresas que tenham padrões de demanda irregulares ou discrepâncias frequentes, ou empresas que sejam afetadas por eventos especiais, como feriados ou promoções.
Algoritmo personalizado de Aprendizado de Máquina do Azure
Se você tiver um algoritmo de Aprendizado de Máquina personalizado Microsoft Azure que deseja usar com seus modelos de previsão, poderá usá-lo no Demand Planning.
Criar e personalizar um modelo de previsão
Para criar e personalizar um modelo de previsão, primeiramente você deve abrir um perfil de previsão existente. (Para obter mais informações, consulte Trabalhar com perfis de previsão). Você poderá então personalizar totalmente o modelo que o perfil selecionado usa adicionando, removendo e organizando blocos e definindo configurações para cada um deles.
Siga estas etapas para criar e personalizar um modelo de previsão:
- No painel de navegação, selecione Operações>Perfis de previsão.
- Selecione o perfil de previsão para o qual deseja criar ou personalizar um modelo de previsão.
- Na guia Modelo de previsão, sempre haverá pelo menos um bloco (do tipo Entrada) no parte superior do fluxograma. O modelo é processado de cima para baixo e o último bloco deve ser um bloco do tipo Salvar. Adicione, remova e organize os blocos conforme necessário e defina as configurações para cada um deles. Para obter orientações, veja a ilustração depois deste procedimento.
- Quando terminar de criar seu modelo de previsão, selecione o botão Validar
no canto superior direito. O sistema executa alguns testes para validar se o modelo funcionará e depois fornecerá comentários. Corrija quaisquer problemas relatados pelo teste de validação. - Continue trabalhando até que o modelo esteja pronto. Em seguida, no Painel de Ações, selecione Salvar.
- Se você quiser salvar o modelo de previsão como uma predefinição para que ele fique disponível quando você e outros usuários criarem um perfil de previsão, selecione o botão Salvar como modelo
no canto superior direito.
A ilustração a seguir mostra as informações e os controles disponíveis para os blocos em um modelo de previsão.
Legenda:
Ícone de bloco – um símbolo que representa a finalidade do bloco.
Tipo de bloco– O tipo de bloco. Esse texto geralmente descreve o tipo de funções, cálculos ou outras ações que o bloco representa.
Nome do bloco– o nome aplicado ao bloco. Às vezes, você pode inserir manualmente esse texto nas configurações do bloco. No entanto, ele geralmente indica o valor de uma das configurações que foram definidas para o bloco.
Ações do bloco– abra um menu de ações que podem ser executadas no bloco. Embora algumas dessas ações sejam específicas do tipo de bloco, a maioria é comum a todas os blocos. Se alguma ação aparecer esmaecida, ela não poderá ser usada devido à posição atual do bloco ou por algum outro motivo contextual. Veja algumas ações comuns que estão disponíveis:
- Configurações – abra uma caixa de diálogo em que você possa definir as configurações do bloco.
- Remover – Remova o bloco.
- Mover para cima e Mover para baixo – reposicione o bloco no fluxograma.
- Definir como 'Passagem'– Desative temporariamente um bloco atualmente habilitado sem excluí-lo ou suas configurações.
- Cancelar definição como "Passagem" – reative um bloco atualmente desabilitado.
Adicionar um bloco – adicione um novo bloco no local selecionado.
Tipos de bloco de previsão
Esta seção descreve a finalidade de cada tipo de bloco de previsão. Ela também explica como usar e configurar cada tipo.
Blocos de entrada
Os blocos de entrada representam a série temporal que fornece entrada para o modelo de previsão. A série temporal é aquela listada na guia Incluído da guia Dados de entrada. Não é possível editar o nome.
Os blocos de entrada têm apenas um campo que você pode definir: Preencher valores ausentes.
Blocos Manipular exceções
Os blocos de discrepância de manipulação identificam e compensam pontos de dados discrepantes na entrada. Esses pontos de dados são considerados anomalias que devem ser ignoradas ou suavizadas para evitar que prejudiquem o cálculo da previsão.
Os blocos de discrepância de identificador têm os seguintes campos que você pode definir:
Manipular exceções – Select uma das seguintes opções:
- Intervalo interquartil (II)
- Decomposição sazonal e de tendência usando loess (STL)
Multiplicador de intervalo interquartil – esse campo só estará disponível quando o campo Manipular outliers estiver definido como IQR.
Métodos de correção– esse campo só estará disponível quando o campo Manipular exceções estiver definido como IQR.
Dica de sazonalidade– esse campo só estará disponível quando o campo Manipular exceções estiver definido como STL .
Blocos Previsão
Os blocos de previsão aplicam um algoritmo de previsão selecionado à série temporal de entrada para criar uma série temporal de previsão.
Os blocos de previsão têm apenas um campo que você pode definir: Tipo de modelo. Use-o para selecionar o algoritmo de previsão a ser usado. Para obter mais informações sobre cada um dos algoritmos disponíveis, consulte a seção Algoritmos de previsão de demanda. Selecione um dos seguintes algoritmos:
- ARIMA – Média móvel integrada autorregressiva
- ETS – Erro, tendência, sazonalidade
- Profeta – Facebook Profeta
- Modelo de melhor ajuste
Finanças e operações – blocos do Azure Machine Learning
Se você já estiver usando seus próprios algoritmos de Aprendizado de Máquina Azure para previsão de demanda no Gerenciamento de cadeia de fornecedores (conforme descrito em Visão geral da previsão de demanda), poderá continuar a usá-los enquanto usar o Planejamento de demanda. Basta colocar um bloco Finanças e operações – Azure Machine Learning em seu modelo de previsão em vez de um bloco de previsão.
Para obter informações sobre como configurar o planejamento de demanda para se conectar e usar seus algoritmos de Aprendizado de Máquina Azure, consulte Usar seus próprios algoritmos personalizados de Aprendizado de Máquina Azure no Planejamento de demanda.
Blocos de entrada/saída gradual
Os blocos de entrada/saída gradual modificam os valores de uma coluna de dados em uma série temporal para simular a entrada gradual de um novo elemento (como um novo produto ou depósito) ou a eliminação gradual de um elemento antigo. O cálculo de entrada/saída gradual dura um período específico e usa valores que são extraídos da mesma série temporal (da mesma coluna de dados que está sendo ajustada ou de outra coluna de dados que representa um elemento semelhante).
Os blocos de entrada/saída têm os seguintes campos que você pode definir:
- Nome etapa – o nome específico do bloco. Esse nome também é mostrado no fluxograma.
- Descrição – Uma breve descrição do bloco.
- Criado por – O usuário que criou o bloco.
- Grupo de regras – o nome do grupo de regras que define o cálculo que o bloco faz.
Quando você configura o modelo de previsão, a posição do bloco Entrada/saída gradual afeta o resultado do cálculo. Para aplicar o cálculo de entrada/saída gradual aos números históricos de vendas, coloque o bloco Entrada/saída antes do bloco Previsão (conforme mostrado no lado esquerdo da ilustração a seguir). Para aplicar o cálculo de entrada/saída gradual ao resultado previsto, coloque o bloco Entrada/saída gradual após o bloco Previsão (conforme mostrado no lado direito da ilustração a seguir).
Para obter mais informações sobre a funcionalidade de entrada/saída gradual, incluindo detalhes sobre como configurar seus grupos de regras de entrada/saída graduais, consulte Usar a funcionalidade de entrada/saída gradual para simular alterações planejadas.
Salvar blocos
Salvar blocos Salva o resultado do modelo de previsão como uma série nova ou atualizada. Todos os modelos de previsão devem terminar com um único bloco Salvar.
A série temporal de previsão será salva de acordo com as configurações definidas sempre que você executar um trabalho de previsão, conforme descrito em Trabalhar com perfis de previsão.