Prognozowanie zmian praktyk biznesowych w przededniach i z analizą typu co-jeżeli (wersja zapoznawcza)
Uwaga
Ta funkcja jest dołączona w Microsoft Sustainability Manager Premium.
Analiza co-jeżeli jest niestandardowym modelem AI, który pozwala przewidywać wpływ kilku zmian praktyk biznesowych na właściwości organizacyjne. Pomaga to utworzyć bardziej dobrze poinformowaną strategię zmniejszania liczby miejsc i przyspieszyć realizację ogólnych celów w zakresie stabilności. Można na przykład przewidywać wpływ przełączenia się na źródła, takie jak energię wiechowa lub energię, albo przełączyć dostawców za pomocą czynników specyficznych dla dostawcy.
W tym artykule przedstawiono sposób tworzenia prognozy analizy co-jeżeli. Przedstawiono w nim także rozważania, szczegóły i informacje, które pomagają jak najlepiej sprawdzić prognozę.
W następującym filmie wideo pokazano, jak korzystać z analizy dokumentów i analizy co-jeżeli:
Ważne uwagi
Podczas tworzenia scenariusza prognozy należy pamiętać o tych zagadnieniach.
W ramach warstwa jednego scenariusza można utworzyć jedną i trzy strategie, używając pola Liczba scenariuszy.
Pole Zmienne jest zaznaczane wieloma opcjami i umożliwia wybranie danych lub ilości, które mają być zmieniane. Na przykład można zmodyfikować opcje Koszt, Odległość i Ilość towaru transportowanego jako część swojego scenariusza 4. Transport i dystrybucja w górę.
W każdym scenariuszu są wymagane następujące pola:
- Nazwa/nazwisko
- Jednostka organizacyjna
- Typ danych
- Model obliczeniowy
- Wersja AR
- Liczba strategii
- Zmienne
Placówka nie jest wymagana, ale można jej użyć do dalszego zawężenia danych prognozy.
Tworzenie prognozy analizy co-jeżeli
Aby rozpocząć analizę co-jeżeli, wykonaj następujące kroki:
W okienku nawigacji wybierz opcję Analiza warunkowa.
Na stronie Analiza warunkowa wybierz Nowy scenariusz.
W okienku Nowy scenariusz warunkowy wprowadź następujące informacje:
- Nazwa/nazwisko
- Jednostka organizacyjna
- Typ danych
- Model obliczeniowy
- Wersja AR
Następnie wybierz liczbę strategii, które chcesz warstwa na stronie Liczba strategii.
Następnie w ramach strategii lub strategii wybierz Zmienne, które mają być zmieniane w prognozie. W pierwszej kolejności należy wprowadzić wartości historyczne tych zmiennych, które reprezentują bieżącą strategię używaną przez organizację. Jeśli na przykład jest prognozowany wpływ zmiany ustawień w spalanie ruchome pojazdu, w pierwszej kolejności należy wprowadzić bieżący typ pojazdu i typ rekordu w obszarze Bieżąca strategia.
Po zakończeniu formularza wybierz opcję Zapisz i zamknij.
Wybierz utworzony scenariusz, a następnie wybierz opcję Uruchom scenariusz. Po zakończeniu zadania scenariusza otrzymasz powiadomienie w aplikacji zawierające powiadomienie o wynikach z hiperłączem, które prowadzi do nich. Na tej stronie są wyświetlane szczegóły scenariusza oraz diagram przedstawiający historycznych danych i skojarzone z nimi prognozy strategii.
Uwaga
Długość prognozy dla scenariuszy jest oparta na ilości nadanych danych historycznych. Generalna reguła prognozowania zawsze będzie stanowić około połowy danych historycznych. Jeśli na przykład w odstępach jednego miesiąca masz dwa lata danych historycznych, możesz oczekiwać, że jedna horyzont prognozy będzie taki sam jak wewnętrzna.
Obsługiwane scenariusze
Każdy scenariusz wymaga różnych poziomów dostosowywania, które pozwalają dostosować prognozę do danych i potrzeb organizacji, używając zmiennych. W poniższej tabeli przedstawiono wszystkie dostępne zmienne dla każdego typu danych.
| Kategoria scenariusza | Dostępne zmienne |
|---|---|
| Proces przemysłowy | - Koszt - Ilość towarów - Typ procesu przemysłowego - Typ spędzania - Ilość |
| Spalanie ruchome | - Koszt - Odległość - Ilość paliwa - Typ paliwa - Ilość towarów - Typ procesu przemysłowego - Ilość - Typ spędzania - Typ pojazdu |
| Spalanie stacjonarne | - Koszt - Współczynnik konwersji energii - Ilość paliwa - Typ paliwa - Ilość towarów - Typ procesu przemysłowego - Ilość - Typ spędzania |
| Zakupione chłodzenie | - Typ instrumentu kontraktu - Koszt - Ilość towarów - Jest odnawialny - Ilość - Typ spędzania |
| Zakupiona energia elektryczna | - Typ instrumentu kontraktu - Koszt - Ilość towarów - Jest odnawialny - Ilość - Typ spędzania |
| Zakupione ciepło | - Typ instrumentu kontraktu - Koszt - Ilość towarów - Jest odnawialny - Ilość - Typ spędzania |
| Zakupiona para | - Typ instrumentu kontraktu - Koszt - Ilość towarów - Jest odnawialny - Ilość - Typ spędzania |
| 1. Zakupione towary i usługi | - Koszt - Ilość towarów - Typ procesu przemysłowego - Ilość - Typ spędzania |
| 2. Dobra kapitałowe | - Koszt - Typ procesu przemysłowego - Ilość - Typ spędzania |
| 4. Transport i dystrybucja upstream | - Koszt - Odległość - Ilość paliwa - Typ paliwa - Ilość towarów - Typ procesu przemysłowego - Ilość - Typ spędzania - Rodzaj transportu - Typ transportu i dystrybucji - Typ pojazdu |
| 5. Odpady generowane w operacjach | - Koszt - Metoda usunięcia - Odległość - Ilość paliwa - Typ procesu przemysłowego - Materiał - Ilość - Typ spędzania - Rodzaj transportu - Ilość odpadów |
| 6. Wyjazd służbowy | - Rodzaj podróży służbowej - Koszt - Odległość - Ilość paliwa - Typ procesu przemysłowego - Ilość - Typ pojazdu |
| 7. Dojazd do pracy pracownika etatowego | - Koszt - Odległość - Typ dojazdów do pracy pracowników - Ilość paliwa - Typ paliwa - Typ procesu przemysłowego - Ilość - Typ pojazdu |
| 9. Transmisja transportu i dystrybucji do klienta | - Koszt - Odległość - Ilość paliwa - Typ paliwa - Ilość towarów - Typ procesu przemysłowego - Ilość - Typ spędzania - Rodzaj transportu - Typ transportu i dystrybucji - Typ pojazdu |
| 12. Ob. z prod. po up. ważnoś. | - Koszt - Metoda usunięcia - Odległość - Ilość paliwa - Typ procesu przemysłowego - Materiał - Ilość - Typ spędzania - Rodzaj transportu |
Uwaga
Aby obliczyć konwersję źródeł energię dla scenariusza spalania stacjonarnego, należy podzielić zawartość energię z istniejącej części według zawartości energię w pliku, na który ma być przewidywana wartość. Można też użyć wartości ogrzewania. Na przykład jeśli zawartość energię istniejącej bazy danych wynosi 33 MJ/kg, a nowa to 38 MJ/kg, wówczas wartość konwersji energię wynosi około 0,87.
Uwaga
Podczas prognozowania wpływu przełączenia się z nieodnawialnej na odnawialną energię, należy się upewnić, że wybierasz model obliczeń obsługujący zarówno obliczenia nieodnawialne, jak i odnawialne obliczenia źródła energii. Najprostszym sposobem jest użycie pola warunkowego Jest odnawialne.
Aspekty prognozy
Istniejąca strategia: istniejąca prognoza strategii jest widokiem projektowanych prognoz dotyczących danej kategorii, jeśli użytkownik nie ma nic zmienić w generowanych danych. Jeśli na przykład jest prognozowany wpływ przełączenia z zmiany na przechyłki z konkretnego obiektu, istniejąca prognoza strategii przedstawia projektowane ograniczenie używania nadal używania tego obiektu.
Nowe strategie: nowa prognoza strategii to widok prognozowanych prognoz i usług, jeśli użytkownik przejdą do nowej strategii biznesowej reprezentowanej przez scenariusz prognozy. Jeśli na przykład jest prognozowany wpływ przełączenia z zmiany na przechyłki z konkretnego obiektu, nowa prognoza strategii przedstawia projektowane emisje przełączania na biopaliwo. W zależności od sposobu skonfigurowania scenariusza można utworzyć od jednej do trzech nowych strategii.
Interwały przewidywania: interwały przewidywania reprezentują szacowanie odstępu czasu, w którym przyszłe prognozy zawierają określone prawdopodobieństwo (używamy 95% zaufania) z uwagi na dane historyczne. Przewidywanie odstępów czasu w istnie oznacza, które elementy prognozowania są związane z prognozą.
Niepowodzenia i komunikaty informacyjne dotyczące modelu
W tej sekcji o wyjaśniono błędy lub problemy, które mogą wystąpić w prognozach.
W celu wygenerowania tej prognozy wprowadziliśmy pewne korekty
Przejście do metody prognozowania wersji procentowej: Używamy metody prognozowania procentowego w przypadku, gdy liczba punktów danych historycznych i/lub jakości danych wymaganych do dopasowania do modeli (S)ARIMA lub ETS jest niewystarczająca. Istnieją dwie konkretne sprawy, w których konieczne jest przejście do metody rezerwowej:
- Zbyt wiele brakujących punktów danych w bezdusznie rozdysymanych w jednolitych odstępach historycznych serii danych
- Nieopisane dane historyczne
Sprawdzenie jednolitych danych i dostosowanie częstotliwości: przed prognozowaniem dane są agregowane na poziomie miesięcznym w celu wygenerowania miesięcznego planu bazowego i prognozy typu co-jeżeli. Jeśli jednak po agregowania dane nie będą przedstawiać ujednoliconego czasu miesięcznego, próbowane są kolejne dwa, trzy, cztery i sześć miesięcy. Jeśli w serii nie można osiągnąć względnego jednolitych wartości w ramach tych dostosowań, do prognozowania jest używany prostszy model rezerwowy.
Nie można wygenerować prognozy
Dane historycznych są zbyt duże: aby zapewnić pomyślną prognozę, wymagamy, aby częstotliwość danych historycznych wynosiła co najmniej jedną punkt danych co sześć miesięcy. Jeśli dane są większe niż ten interwał, prognoza kończy się niepowodzeniem.
Nie ma zbyt wielu punktów historycznych lub zbyt wielu punktów historycznych: to, co w przypadku modeli prognoz analitycznych wymaga co najmniej sześciu punktów danych (po zakończeniu korekty częstotliwości opisanej wcześniej w analizie jednolitych danych i korektie częstotliwości) do pomyślnego wygenerowania prognozy.
Obsługiwane modele prognozowania serii czasowych
Sustainability Manager obsługuje (sezonowe) automatycznie powtarzających się zintegrowanych średnich wartości średnich (S)ARIMA i sezonowość trendów błędów (ETS) ujednolica modele prognoz serii czasowej do generowania prognoz w danych działania. Modelowanie wyboru wybiera najlepsze model prognozowania na podstawie danych dotyczących działań historycznych. Wygenerowane prognozy na poziomie działań są przejdź do modelu obliczania w celu przekształcenia ich w prognozy na poziomie prognoz na poziomie prognoz.
ARIMA i ETS to najbardziej zróżnicowane są najczęściej używanymi metodami prognozowania serii czasowej. Modele ETS bazują na opisach trendów i zależności w danych, podczas gdy modele ARIMA opisują autokorekty w danych. Aby dowiedzieć się więcej o tych modelach, zobacz Rozdział 7 (bezproblemowe działanie) i Rozdział 8 (modele ARIMA) książki podręcznika Prognozowanie: Zasady i praktyk.
W określonych przypadkach, na przykład w sytuacji, gdy dane historycznych są zbyt mało lub bardzo prawdopodobne, wybierany jest prosty model rezerwowy, zamiast ARIMA czy ETS.
