共用方式為

設定趨勢預測模型

  • 發行項

預測模型 允許您排列和配置磁貼，以定義預測設定檔所做的預測。 每個模型都提供一個流程圖，以圖形方式表示模型所做的計算。

需求趨勢預測演算法

需求規劃包括三種流行的需求預測演演演演算法： auto-ARIMA、 ETS 和 Prophet。 您使用的需求趨勢預測演算法取決於歷史資料的特定特性。

  • 當數據遵循穩定模式時，Auto-ARIMA 效果最佳。
  • 誤差、趨勢和季節性 (ETS) 是具有趨勢或季節性的數據的通用選擇。
  • Prophet 最適合處理複雜的真實資料。

Demand Planning 還提供 最佳擬合 模型 (自動為每個產品和維度組合選擇最佳可用演演演算法) 以及開發和使用您自己的自定義模型的能力。

透過了解這些演算法及其優勢，您可以做出明智的決策來最佳化您的供應鏈並滿足客戶需求。

本節介紹每種演算法的工作原理及其對不同類型歷史需求資料的適用性。

最適合模型

最佳擬合模型會自動為每個產品和維度組合找到最適合您的數據的其他可用演演演算法 (自動 ARIMA、ETS 或 Prophet)。 這樣，不同的產品可以使用不同的模型。 在大多數情況下，我們建議使用最佳擬合模型，因為它結合了所有其他標準模型的優勢。 以下示例演示了如何操作。

假設您有歷史需求時間序列數據，其中包括下表中列出的維度組合。

產品 存放區
A 1
A 2
B 1
B 2

當您使用 Prophet 模型執行預測計算時，您將獲得以下結果。 在此範例中，系統始終使用 Prophet 模型，而不考慮為每個產品和維度組合計算的平均絕對百分比誤差 (MAPE)。

產品 存放區 預測模型 MAPE
A 1 先知 0.12
A 2 先知 0.56
B 1 先知 0.65
B 2 先知 0.09

當您使用 ETS 模型執行預測計算時，您將獲得以下結果。 在此範例中，系統始終使用 ETS 模型，而不考慮每個產品和維度組合的計算 MAPE。

產品 存放區 預測模型 MAPE
A 1 排放交易體系 0.18
A 2 排放交易體系 0.15
B 1 排放交易體系 0.21
B 2 排放交易體系 0.31

當您使用最佳擬合模型運行預測計算時，系統會優化每個產品和維度組合的模型選擇。 選擇會根據在歷史銷售數據中找到的模式而變化。

產品 存放區 先知馬佩 Auto-ARIMA MAPE ETS MAPE 最佳擬合預測模型 最適合 MAPE
A 1 0.12 0.34 0.18 先知 0.12
A 2 0.56 0.23 0.15 排放交易體系 0.15
B 1 0.65 0.09 0.21 自動阿裡馬 0.09
B 2 0.10 0.27 0.31 先知 0.10

下圖顯示了使用三種不同預測模型找到的未來九個月所有維度 (所有商店中的所有產品) 的總體銷售預測。 綠線表示最佳擬合模型。 由於最佳擬合會為每個產品和維度組合選擇最佳預測模型，因此可以避免因對所有維度組合強制使用單個模型而可能出現的異常值。 因此，總體最佳擬合預測類似於單模型預測的平均值。

基於相同歷史數據的三種不同預測模型的預測結果

圖例：

  • 紅色=只有先知
  • 藍色 = 僅限 ETS
  • 綠色 = 最適合

Auto-ARIMA：時間旅行者的喜悅

自動 ARIMA 演算法就像一台時間機器：帶您回顧過去的需求模式，以便您可以對未來做出明智的趨勢預測。 Auto-ARIMA 使用一種稱為自回歸積分移動平均 (ARIMA) 的技術。 該技術結合了三個關鍵組成部分：自回歸、差分和移動平均線。 Auto-ARIMA 演算法會自動識別這些組件的最佳組合，以建立適合您的資料的趨勢預測模型。

Auto-ARIMA 特別適用於顯示隨時間變化的穩定模式的時間序列資料，例如季節性波動或趨勢。 如果您的歷史需求遵循相當一致的路徑，Auto-ARIMA 可能是您首選的趨勢預測方法。

ETS：變形者

誤差、趨勢和季節性 (ETS) 是一種多功能的需求預測演演演算法，可適應數據的形狀。 它可以根據您的歷史需求的特徵來改變其方法。 因此，它適用於廣泛的場景。

ETS 這個名稱是演算法將時間序列資料分解為三個基本組成部分的縮寫：誤差、趨勢和季節性。 透過理解和建模這些組件，ETS 產生擷取資料中潛在模式的趨勢預測。 它最適合顯示清晰的季節性模式、趨勢或兩者兼而有之的資料。 因此，對於產品或服務受到季節性影響的企業來說，這是一個絕佳的選擇。

先知：富有遠見的趨勢預測大師

Prophet 是由 Facebook 研究團隊開發。 它是一種現代且靈活的趨勢預測演算法，可以應對現實世界資料的挑戰。 它在處理缺失值、異常值和複雜模式方面特別有效。

Prophet 的工作原理是將時間序列資料分解為多個組成部分，例如趨勢、季節性和假期，然後為每個組成部分擬合模型。 這種方法使 Prophet 能夠準確地擷取資料中的細微差別並產生可靠的趨勢預測。 Prophet 非常適合需求模式不規則或經常出現異常值的企業，或受假期或促銷等特殊事件影響的企業。

自訂 Azure Machine Learning 演算法

如果您有要與預測模型一起使用的自定義 Microsoft Azure 機器學習演演演算法，則可以在 Demand Planning 中使用它。

建立和自訂計算模型

要建立和自訂趨勢預測模型，您必須先開啟現有的趨勢預測設定檔。 (如需更多資訊，請參閱使用趨勢預測設定檔。) 然後，您可以透過新增、刪除和排列圖格以及設定每個圖格的設定來完全自訂所選設定檔使用的模型。

請依照下列步驟建立和自訂趨勢預測模型。

  1. 在瀏覽窗格上，選取作業>預測設定檔。
  2. 選擇您要為其建立或自訂趨勢預測模型的趨勢預測設定檔。
  3. 在趨勢預測模型索引標籤上，流程圖頂部隨時都會至少有一個圖格 (輸入類型)。 模型從上到下處理，最後一個圖格必須是第一個節省 類型圖格。 根據需要新增、刪除和排列圖格，並為每個圖格安排設定。 關於指南，請參閱此程序後的插圖。
  4. 設計完趨勢預測模型後，選擇右上角的驗證按鈕。 系統會執行一些測試來驗證您的模型是否有效，然後提供意見反應。 修復驗證測試報告的任何問題。
  5. 繼續工作，直到您的模型準備就緒。 然後，在動作窗格上選擇儲存。
  6. 如果您想要將趨勢預測模型儲存為預設，以便您和其他使用者建立新的趨勢預測設定檔時可用，請選擇右上角的另存為模型範本按鈕。

下圖顯示了趨勢預測模型中圖格可用的資訊和控制項。

顯示趨勢預測模型元素的螢幕擷取畫面。

圖例：

  1. 磁貼圖示 –表示磁貼用途的符號。

  2. 磁貼類型 –磁貼的類型。 此文字通常描述該圖格所代表的角色、計算或其他動作的類型。

  3. 磁貼名稱 –應用於磁貼的名稱。 有時候，您可以在每個圖格的設定中手動輸入此文字。 但是，它通常指示為圖格設定的設定值之一。

  4. 磁貼操作 –打開可對磁貼執行的操作功能表。 儘管其中某些動作和圖格類型綁定，但大多數動作對於所有圖格都是通用的。 如果任何動作顯示為灰色，則由於圖格的目前位置或某些其他內容原因而無法使用它們。 以下是一些可用的常見動作：

    • 設置 –打開一個對話框，您可以在其中配置磁貼的設置。
    • 刪除 –刪除磁貼。
    • 上 移和 下 移–在流程圖中重新定位磁貼。
    • 設置為“直通” –暫時禁用當前啟用的磁貼，而不刪除它或其設置。
    • 取消設置「直通」 –重新啟用當前禁用的磁貼。

  5. 添加磁貼 –在所選位置添加新磁貼。

預測類型圖格類型

本節介紹每種類型的趨勢預測圖格的用途。 也解釋了如何使用和設定各種類型。

輸入圖格

輸入 磁貼表示為預測模型提供輸入的時間序列。 時間序列是列在包括的索引標籤輸入資料索引標籤。您無法編輯該名稱。

輸入 切片只有一個可以設置的欄位： 填充缺失值。

處理異常值圖格

處理異常值磁 貼，識別和補償輸入中的異常值數據點。 這些資料點被視為異常，應忽略或平滑，以防止它們偏離預測計算。

處理異常值 磁貼具有以下可以設定的欄位：

  • 處理異常值 –選擇以下選項之一：

    • 四分位距（IQR）
    • 利用黃土 (STL) 進行季節和趨勢分解

  • 四分位距乘數 –僅當「 處理異常值 」欄位設置為 IQR 時，此欄位才可用。

  • 校正方法 –僅當處理 異常值 欄位設置為 IQR 時，此欄位才可用。

  • 季節性提示 –僅當處理異常值 欄位設置為 STL 時，此欄位才可用。

預測類型圖格

預測 磁貼將所選預測演演演算法應用於輸入時間序列以創建預測時間序列。

預測 磁貼只有一個可以設置的欄位： 模型類型。 用它來選擇要使用的趨勢預測演算法。 有關每種可用演算法的詳細資訊，請參閱需求預測演算法部分。 選擇下列其中一個演算法：

  • ARIMA –自回歸積分移動平均
  • ETS –誤差、趨勢、季節性
  • 先知 - Facebook 先知
  • 最佳擬合模型

財務與營運 – Azure Machine Learning 圖格

如果您已在供應鏈 Management 中使用自己的 Azure 機器學習演演演算法進行需求預測 (如需求預測概述 中所述)，則可以在使用 Demand Planning 時繼續使用它們。 只要將財務與營運- Azure Machine Learning圖格放入預測模型中，而非預測圖格即可。

有關如何設置 Demand Planning 以連線和使用 Azure 機器學習演算法的資訊，請參閱 在 Demand Planning 中使用您自己的自訂 Azure 機器學習演演演算法。

逐步引入/淘汰磁貼

逐步引入/退出 磁貼可修改時間序列中數據列的值，以類比新元素 (如新產品或倉庫) 的逐步引入或舊元素的逐步淘汰。 階段引入/退出計算持續特定時間段，並使用從同一時間序列 (來自正在調整的同一數據列或表示類似元素的另一個數據列) 中提取的值。

逐步加入/淘汰 磁貼具有以下可以設定的欄位：

  • 步驟名稱 –磁貼的特定名稱。 該名稱也顯示在流程圖中。
  • 描述 –磁貼的簡短說明。
  • 建立者 –建立磁貼的使用者。
  • 規則群組 –定義磁貼執行的計算的規則群組的名稱。

設置預測模型時 ，「逐步加入/退出 」磁貼的位置會影響計算結果。 若要將逐步加入/退出計算應用於歷史銷售數位，請將“逐步加入/退出 ”磁貼放在 “預測 ”磁貼之前 （如下圖左側所示）。 若要將階段引入/退出計算應用於預測結果，請將 “階段引入/退出 ”磁貼放在“預測 ”磁貼之後 （如下圖右側所示）。

在相對於「預測」磁貼的不同位置顯示「逐步加入/退出」磁貼的屏幕截圖。

有關逐步加入/退出功能的詳細資訊，包括有關如何設置逐步加入/退出規則組的詳細資訊，請參閱 使用逐步加入/退出功能模擬計劃內的變更。

儲存圖格

保存 切片將預測模型的結果另存為新的或更新的序列。 所有趨勢預測模型必須以單一儲存圖格結束。

趨勢預測時序將根據您每次執行趨勢預測作業時設定的設定進行儲存，如使用趨勢預測設定檔中所述。