Estruturar modelos de previsão
Os modelos de previsão permitem organizar e configurar mosaicos 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 da procura
O planeamento de demanda inclui três algoritmos populares de previsão de demanda: auto-ARIMA, ETS e Prophet. O algoritmo de previsão da procura utilizado 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 escolha versátil para dados que têm tendências ou sazonalidade.
- O Prophet funciona melhor com dados complexos do mundo real.
O planeamento 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 respetivos pontos fortes, poderá tomar decisões informadas para otimizar a sua cadeia de fornecimento e atender à procura dos clientes.
Esta secção descreve como cada algoritmo funciona e respetiva adequação para diferentes tipos de dados históricos de procura.
Modelo de melhor ajuste
O modelo mais adequado encontra automaticamente qual dos outros algoritmos disponíveis (auto-ARIMA, ETS ou Prophet) melhor se adapta aos seus dados para cada combinação de produtos e dimensões. Desta forma, diferentes modelos podem ser utilizados para diferentes produtos. Na maioria dos casos, recomendamos o uso do melhor modelo de ajuste porque combina os pontos fortes de todos os outros modelos padrão. O exemplo a seguir mostra como.
Suponha que você tenha os dados históricos de séries cronológicas de demanda que incluem as combinações de dimensões listadas na tabela a seguir.
| Produto | Loja |
|---|---|
| A | 1 |
| A | 2 |
| B | 1 |
| B | 2 |
Ao executar um cálculo de previsão usando o modelo Prophet, você obtém os seguintes resultados. Neste exemplo, o sistema sempre usa o modelo Prophet, independentemente do erro percentual absoluto médio calculado (MAPE) para cada combinação de produto e dimensão.
| Produto | Loja | Modelo de previsão | MAPE |
|---|---|---|---|
| A | 1 | Profeta | 0.12 |
| A | 2 | Profeta | 0.56 |
| B | 1 | Profeta | 0.65 |
| B | 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 | Loja | Modelo de previsão | MAPE |
|---|---|---|---|
| A | 1 | RCLE | 0.18 |
| A | 2 | RCLE | 0.15 |
| B | 1 | RCLE | 0.21 |
| B | 2 | RCLE | 0.31 |
Quando você executa 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 | Loja | Profeta MAPE | MAPA Auto-ARIMA | MAPA DO ETS | Melhor modelo de previsão de ajuste | MAPE mais adequado |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | Profeta | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | RCLE | 0.15 |
| B | 1 | 0.65 | 0.09 | 0.21 | Auto-ARIMA | 0.09 |
| B | 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 mais adequado. Como o melhor ajuste escolhe o melhor modelo de previsão para cada combinação de produtos e dimensões, evita os valores atípicos que poderiam ocorrer ao forçar um único modelo em todas as combinações de dimensões. Como resultado, a previsão geral mais adequada se assemelha a uma média das previsões de modelo único.
Legenda:
- Vermelho = Profeta Único
- Azul = Apenas RCLE
- Verde = Melhor ajuste
Auto-ARIMA: a delícia do viajante do tempo
O algoritmo auto-ARIMA é como uma máquina do tempo: leva-o numa viagem através de padrões de procura passados para que possa fazer previsões informadas sobre o futuro. Auto-ARIMA usa uma técnica conhecida como média móvel integrada autoregressiva (ARIMA). Esta 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 série temporal que mostram um padrão estável ao longo do tempo, como flutuações sazonais ou tendências. Se a sua procura histórica seguir um percurso razoavelmente consistente, o ARIMA automático poderá ser o seu método de previsão preferido.
ETS: O metamorfo
Erro, tendência e sazonalidade (ETS) é um algoritmo versátil de previsão de demanda que se adapta à forma de seus dados. Pode mudar a sua abordagem com base nas características da sua procura histórica. Portanto, é adequado para uma ampla variedade de cenários.
O nome ETS é uma abreviatura para os três componentes essenciais em que 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. Funciona melhor com dados que mostram padrões sazonais claros, tendências ou ambos. Portanto, é uma excelente escolha para empresas que possuem produtos ou serviços afetados sazonalmente.
Prophet: O guru visionário da previsão
O Prophet foi desenvolvido pela equipa de pesquisa do Facebook. É um algoritmo de previsão moderno e flexível que pode processar os desafios dos dados do mundo real. É especialmente eficaz no processamento de valores em falta, valores atípicos 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 fiáveis. O Prophet é ideal para empresas que possuem padrões de procura irregulares ou discrepâncias frequentes, ou empresas que são afetadas por eventos especiais, como feriados ou promoções.
Algoritmo personalizado do Azure Machine Learning
Se você tiver um algoritmo de Aprendizado de Máquina personalizado Microsoft Azure que deseja usar com seus modelos de previsão, poderá usá-lo no Planejamento de demanda.
Crie e personalize um modelo de previsão
Para criar e personalizar um modelo de previsão, primeiro deve abrir um perfil de previsão existente. (Para mais informações, veja Trabalhar com perfis de previsão.) Pode então personalizar totalmente o modelo que o perfil selecionado usa adicionando, removendo e organizando mosaicos e definindo configurações para cada um deles.
Siga estes passos para criar e personalizar um modelo de previsão.
- No painel de navegação, selecione Operações>Perfis de navegação.
- Selecione o perfil de previsão para o qual deseja criar ou personalizar um modelo de previsão.
- No separador Modelo de previsão, haverá sempre, pelo menos, um mosaico (do tipo Entrada) na parte superior do fluxograma. O modelo é processado de cima para baixo, e o último mosaico deve ser um mosaico do tipo Guardar. Adicione, remova e organize mosaicos conforme necessário e defina as configurações para cada um deles. Para obter diretrizes, consulte a ilustração após este procedimento.
- Quando terminar de conceber o seu modelo de previsão, selecione o botão Validar
no canto superior direito. O sistema executa alguns testes para validar se o seu modelo funcionará e depois fornece comentários. Corrija quaisquer problemas relatados pelo teste de validação. - Continue a trabalhar até que o seu modelo esteja pronto. Em seguida, no Painel de Ações, selecione Guardar.
- Se quiser guardar o seu modelo de previsão como uma predefinição, para que fique disponível quando o Utilizador e outros utilizadores criarem um novo perfil de previsão, selecione o botão Guardar como modelo de modelo
no canto superior direito.
A ilustração a seguir mostra as informações e os controlos disponíveis para mosaicos num modelo de previsão.
Legenda:
Ícone de mosaico– Um símbolo que representa a finalidade do mosaico.
Tipo de mosaico – O tipo de mosaico. Este texto geralmente descreve o tipo de funções, cálculos ou outras ações que o mosaico representa.
Nome do bloco– O nome que é aplicado ao bloco. Por vezes, pode introduzir manualmente este texto nas definições do mosaico. No entanto, geralmente indica o valor de uma das definições que foram configuradas para o mosaico.
Ações do bloco– Abra um menu de ações que você pode executar no bloco. Embora algumas dessas ações sejam específicas do tipo de mosaico, a maioria é comum a todos os mosaicos. Se alguma ação aparecer escurecida, não pode ser usada devido à posição atual do mosaico ou por algum outro motivo contextual. Aqui estão algumas ações comuns que estão disponíveis:
- Configurações – Abra uma caixa de diálogo onde você pode definir as configurações para o bloco.
- Remover – Remova o mosaico.
- Mover para cima e mover para baixo – Reposicione o bloco no fluxograma.
- Definir como 'Passar' – Desative temporariamente um bloco atualmente ativado sem excluí-lo ou suas configurações.
- Desdefinir 'Pass Through' – Reative um bloco desativado no momento.
Adicionar um mosaico – Adicione um novo mosaico na localização selecionada.
Tipos de mosaicos de previsão
Esta secção descreve a finalidade de cada tipo de mosaico de previsão. Também explica como usar e configurar cada tipo.
Mosaicos de entrada
Os blocos de entrada representam a série temporal que fornece entrada para o modelo de previsão. A série temporal é aquela listada no separador Incluído do separador Dados de entrada. Não pode editar o nome.
Os mosaicos de entrada têm apenas um campo que pode definir: Preencher valores em falta.
Mosaicos Processar valores atípicos
Manipule blocos de outliers, identifique e compense pontos de dados atípicos 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 Manipular outliers têm os seguintes campos que você pode definir:
Lidar com valores atípicos – Selecione uma das seguintes opções:
- Intervalo interquartílico (IQR)
- Decomposição sazonal e tendencial usando loess (STL)
Multiplicador de intervalo interquartílico – Isto campo só está disponível quando o campo Manipular valores atípicos está definido como IQR.
Métodos de correção – Isto campo só está disponível quando o campo Manipular valores atípicos está definido como IQR.
Dica de sazonalidade– Isto campo só está disponível quando o campo Manipular valores atípicos está definido como STL.
Mosaicos de previsão
Os mosaicos de previsão aplicam um algoritmo de previsão selecionado à série temporal de entrada para criar uma série temporal de previsão.
Os mosaicos de previsão têm apenas um campo que pode definir: Tipo de modelo. Use-o para selecionar o algoritmo de previsão a utilizar. Para obter mais informações sobre cada um dos algoritmos disponíveis, consulte a secção Algoritmos de previsão da procura. Selecione um dos seguintes algoritmos:
- ARIMA – Média móvel integrada autorregressiva
- ETS – Erro, tendência, sazonalidade
- Profeta – Facebook Profeta
- Melhor modelo de ajuste
Mosaicos Finanças e operações – Azure Machine Learning
Se já estiver a utilizar os seus próprios algoritmos de Aprendizagem Automática Azure para previsão da procura no cadeia de fornecimento Management (conforme descrito em Descrição geral da previsão da procura), pode continuar a utilizá-los enquanto utiliza o Planeamento da procura. Basta colocar um mosaico Finanças e operações – Azure Machine Learning no seu modelo de previsão em vez de um mosaico 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 progressiva
Os blocos de entrada/saída progressiva modificam os valores de uma coluna de dados em uma série temporal para simular a introdução gradual de um novo elemento (como um novo produto ou depósito) ou a eliminação gradual de um elemento antigo. O cálculo de entrada/saída progressiva dura um período específico e utiliza valores extraídos da mesma série temporal (da mesma coluna de dados que está a ser ajustada ou de outra coluna de dados que representa um elemento semelhante).
Os mosaicos de entrada/saída progressiva têm os seguintes campos que pode definir:
- Nome do passo – O nome específico do bloco. Este nome também é mostrado no fluxograma.
- Descrição – Uma breve descrição do azulejo.
- Criado por – O utente que criou o bloco.
- Grupo de regras – O nome do grupo de regras que define o cálculo que o bloco faz.
Quando configura o modelo de previsão, a posição do mosaico Entrada/saída de fases afeta o resultado do cálculo. Para aplicar o cálculo de entrada/saída gradual aos números históricos de vendas, coloque o bloco Entrada/saída de fase antes do bloco Previsão (conforme mostrado no lado esquerdo da ilustração a seguir). Para aplicar o cálculo de entrada/saída de fase ao resultado previsto, coloque o bloco Entrada e saída de fase após o bloco Previsão (conforme mostrado no lado direito da ilustração a seguir).
Para obter mais informações sobre a funcionalidade de entrada/saída de fase, incluindo detalhes sobre como configurar seus grupos de regras de entrada/saída de fase, consulte Usar a funcionalidade de entrada/saída de fase para simular alterações planejadas.
Mosaicos Guardar
Guardar mosaicos Guarde o resultado do modelo de previsão como uma série nova ou atualizada. Todos os modelos de previsão devem terminar com um único mosaico Guardar.
A série temporal da previsão será guardada de acordo com as definições configuradas sempre que executar um trabalho de previsão, conforme descrito em Trabalhar com perfis de previsão.