Разработка моделей прогноза
Прогнозные модели позволяют упорядочивать и настраивать плитки для определения прогноза, создаваемого профилем прогноза. Каждая модель представляет собой блок-схему, которая графически представляет расчеты, выполняемые моделью.
Алгоритмы прогнозирования спроса
В планирование спроса входят три популярных алгоритма прогнозирования спроса: auto-ARIMA, ETS и Prophet. Алгоритм прогнозирования спроса, который вы используете, зависит от конкретных характеристик ваших исторических данных.
- Auto-ARIMA работает лучше всего, когда данные следуют стабильным закономерностям.
- Ошибка, тенденция и сезонность (ETS) — это универсальный выбор для данных с тенденциями или сезонностью.
- Prophet лучше всего работает со сложными реальными данными.
Планирование спроса также предоставляет как наиболее подходящую модель (при которой автоматически выбираются лучшие из имеющихся алгоритмов для каждой комбинации продуктов и аналитик), так и возможность разработки и использования собственных пользовательских моделей.
Понимая эти алгоритмы и их сильные стороны, вы сможете принимать обоснованные решения для оптимизации цепочки поставок и удовлетворения спроса клиентов.
В этом разделе описывается, как работает каждый алгоритм и его пригодность для различных типов исторических данных о спросе.
Модель наилучшего соответствия
Модель с лучшим подгонка автоматически находит, какой из других доступных алгоритмов (auto-ARIMA, ETS или Prophet) наилучшим образом подходит для ваших данных для каждой комбинации продуктов и аналитик. Таким образом, для разных продуктов можно использовать разные модели. В большинстве случаев рекомендуется использовать наиболее подходящую модель, поскольку она сочетает в себе сильные стороны всех остальных стандартных моделей. Следующий пример показывает, как.
Предположим, что имеются исторические данные временных серий спроса, включающих комбинации измерений, перечисленные в следующей таблице.
| Продукт | Магазин |
|---|---|
| A | 1 |
| A | 2 |
| Б | 1 |
| Б | 2 |
Когда вы выполняете расчет прогноза, используя модель Пророка, вы получите следующие результаты. В этом примере система всегда использует модель Пророка, независимо от рассчитанной средней абсолютной ошибки (MAPE) для каждой комбинации продуктов и аналитик.
| Продукт | Магазин | прогнозная модель | Средняя абсолютная ошибка в процентах |
|---|---|---|---|
| A | 1 | Пророк | 0.12 |
| A | 2 | Пророк | 0.56 |
| Б | 1 | Пророк | 0.65 |
| Б | 2 | Пророк | 0.09 |
При выполнении расчета прогноза с использованием модели ETS получите следующие результаты. В этом примере система всегда использует модель ETS, независимо от рассчитанного ПАРАМЕТРА MAPE для каждой комбинации продуктов и аналитик.
| Продукт | Магазин | прогнозная модель | Средняя абсолютная ошибка в процентах |
|---|---|---|---|
| A | 1 | ETS | 0.18 |
| A | 2 | ETS | 0.15 |
| Б | 1 | ETS | 0.21 |
| Б | 2 | ETS | 0.31 |
При выполнении расчета прогноза с использованием модели, подходящей для всех продуктов и аналитик, система оптимизировать выбор модели для каждой комбинации продуктов и аналитик. Выбор изменяется в соответствии с шаблонами, найденными в архивных данных по продажам.
| Продукт | Магазин | Пророк МАПЭ | АВТО-АРИМА МАП | КАРТА ETS | Прогнозная модель наилучшего соответствия | Лучшие подходят MAPE |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | Пророк | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | ETS | 0.15 |
| Б | 1 | 0.65 | 0.09 | 0.21 | Авто-АРИМА | 0.09 |
| Б | 2 | 0.10 | 0.27 | 0.31 | Пророк | 0.10 |
На следующем графике показан общий прогноз продаж по всем аналитикам (все продукты во всех магазинах) на ближайшие девять месяцев с использованием трех различных прогнозных моделей. Зеленая линия представляет собой лучшую подгонка модели. Поскольку при выборе прогнозной модели для каждой комбинации продуктов и аналитик выбирается наиболее подходящая, это позволяет избежать происчетов, которые могут произойти при принудительном выполнении одной модели для всех комбинаций аналитик. В результате, общий прогноз наиболее подходящих вариантов напоминает среднее значение прогнозов для одной модели.
Условные обозначения:
- Красный = Только Пророк
- Синий = только ETS
- Зеленый = самая подходящая
Auto-ARIMA: восторг путешественника во времени
Алгоритм auto-ARIMA подобен машине времени: он отправляет вас в путешествие по прошлым моделям спроса, чтобы вы могли делать обоснованные прогнозы на будущее. Auto-ARIMA использует метод, известный как авторегрессионное интегрированное скользящее среднее (ARIMA). Этот метод сочетает в себе три ключевых компонента: авторегрессию, дифференцирование и скользящие средние. Алгоритм auto-ARIMA автоматически определяет наилучшую комбинацию этих компонентов для создания прогнозной модели, соответствующей вашим данным.
Auto-ARIMA особенно хорошо работает с данными временных рядов, которые демонстрируют стабильную закономерность во времени, например сезонные колебания или тенденции. Если ваш исторический спрос следует достаточно последовательному пути, auto-ARIMA может быть вашим предпочтительным методом прогнозирования.
ETS: средство сдвига формы
Ошибка, тенденция и сезонность (ETS) — универсальный алгоритм прогнозирования спроса, адаптируемый к форме данных. Он может изменить свой подход в зависимости от характеристик вашего исторического спроса. Поэтому он подходит для широкого спектра сценариев.
Название ETS представляет собой аббревиатуру трех основных компонентов, на которые алгоритм разлагает данные временных рядов: ошибка, тенденция и сезонность. Понимая и моделируя эти компоненты, ETS генерирует прогнозы, отражающие основные закономерности в ваших данных. Лучше всего он работает с данными, которые показывают четкие сезонные закономерности, тенденции или и то, и другое. Таким образом, это отличный выбор для предприятий, продукция или услуги которых подвержены сезонным изменениям.
Prophet: гуру дальновидного прогнозирования
Prophet был разработан исследовательской группой Facebook. Это современный и гибкий алгоритм прогнозирования, способный справиться с проблемами, связанными с реальными данными. Он особенно эффективен при обработке пропущенных значений, выбросов и сложных шаблонов.
Prophet работает путем разложения данных временных рядов на несколько компонентов, таких как тренд, сезонность и праздники, а затем подгоняет модель к каждому компоненту. Такой подход позволяет Prophet точно улавливать нюансы ваших данных и делать надежные прогнозы. Prophet идеально подходит для предприятий, которые имеют нерегулярную структуру спроса или частые отклонения от нормы, а также для предприятий, на которые влияют особые события, такие как праздники или рекламные акции.
Пользовательский алгоритм машинного обучения Azure
Если у вас есть собственный алгоритм машинного обучения Microsoft Azure, который вы хотите использовать со своими моделями прогнозирования, вы можете использовать его в Demand Planning.
Создание и настройка прогнозной модели
Чтобы создать и настроить прогнозную модель, необходимо сначала открыть существующий профиль прогноза. (Дополнительную информацию см. в разделе Работа с профилями прогнозов.) Затем вы можете полностью настроить модель, которую использует выбранный профиль, добавляя, удаляя и упорядочивая плитки, а также настраивая параметры для каждой из них.
Выполните следующие действия, чтобы создать и настроить прогнозную модель.
- В области перехода выберите Операции>Профили прогнозов.
- Выберите профиль прогноза, для которого вы хотите создать или настроить прогнозную модель.
- На вкладке Прогнозная модель всегда будет хотя бы одна плитка (типа Входные данные) в верхней части блок-схемы. Модель обрабатывается сверху вниз, и последняя плитка должна быть плитной типа Сохранить. Добавляйте, удаляйте и располагайте плитки по своему усмотрению, а также настраивайте параметры для каждой из них. Рекомендации см. на рисунке после этой процедуры.
- Завершив разработку прогнозной модели, нажмите кнопку Проверить
в правом верхнем углу. Система запускает несколько тестов, чтобы убедиться, что ваша модель будет работать, а затем предоставляет обратную связь. Исправьте все проблемы, о которых сообщает проверочный тест. - Продолжайте работать, пока ваша модель не будет готова. Затем в области действий выберите Сохранить.
- Если вы хотите сохранить прогнозную модель в качестве предустановки, чтобы она была доступна, когда вы и другие пользователи создадите новый профиль прогноза, нажмите кнопку Сохранить как шаблон модели
в правом верхнем углу.
На следующем рисунке показаны информация и элементы управления, доступные для плиток в прогнозной модели.
Условные обозначения:
Значок плитки — символ, обозначающий назначение плитки.
Тип плитки — тип плитки. Этот текст обычно описывает тип ролей, вычислений или других действий, которые представляет плитка.
Название плитки — имя, присвоенное плитке. Иногда вы можете вручную ввести этот текст в настройках плитки. Однако обычно здесь указывается значение одного из параметров, настроенных для плитки.
Действия с плиткой — открывает меню действий, которые можно выполнять с плиткой. Хотя некоторые из этих действий специфичны для каждого типа плитки, большинство из них являются общими для всех плиток. Если какие-либо действия отображаются затемненными, их нельзя использовать из-за текущего положения плитки или по какой-либо другой контекстуальной причине. Вот некоторые распространенные действия, которые доступны:
- Параметры — открывается диалоговое окно, в котором можно настроить параметры плитки.
- Удалить — удаление плитки.
- Переместить вверх и Переместить вниз — изменить положение плитки на блок-схеме.
- Установка значения "Проход" — временное отключение активной в данный момент плитки, не удаляя ее или ее настройки.
- Отмена значения "Проход" — повторно включить отключенную в данный момент плитку.
Добавить плитку — добавить новую плитку в выбранном месте.
Типы плиток прогноза
В этом разделе описывается назначение каждого типа плитки прогноза. Здесь также объясняется, как использовать и настраивать каждый тип.
Входные плитки
Плитки Входные данные представляют временной ряд, который обеспечивает входные данные для модели прогноза. Временной ряд — это тот, который указан на вкладке Включено вкладки Входные данные. Вы не можете редактировать имя.
Плитки Входные данные имеют только одно поле, которое вы можете установить: Заполнять отсутствующие значения.
Плитки обработки выбросов
Плитки Обработка выбросов идентифицируют и компенсируют точки выбросов данных во входных данных. Эти точки данных считаются аномалиями, которые следует игнорировать или сглаживать, чтобы они не испортили расчет прогноза.
Плитки Обработка выбросов имеют следующие поля, которые вы можете установить:
Обработка выбросов — выберите один из следующих параметров:
- Межквартильный диапазон (IQR)
- Сезонная и трендовая декомпозиция с использованием метода LOESS (STL)
Множитель межквартильного диапазона — это поле доступно только в том случае, если в поле Обработка выбросов установлено значение IQR.
Методы коррекции — это поле доступно только в том случае, если в поле Обработка выбросов установлено значение IQR.
Подсказка сезонности — это поле доступно только в том случае, если в поле Обработка выбросов установлено значение STL.
Плитки прогноза
Плитки Прогноз применяют выбранный алгоритм прогноза к входному временному ряду для создания временного ряда прогноза.
Плитки Прогноз имеют только одно поле, которое вы можете установить: Тип модели. Используйте его, чтобы выбрать используемый алгоритм прогноза. Дополнительную информацию о каждом из доступных алгоритмов см. в разделе Алгоритмы прогнозирования спроса. Выберите один из следующих алгоритмов:
- ARIMA — авторегрессионное интегрированное скользящее среднее
- ETS — ошибка, тенденция, сезонность
- Prophet — Facebook Prophet
- Модель наилучшего соответствия
Финансы и операции — плитки машинного обучения Azure
Если вы уже используете собственные алгоритмы машинного обучения Azure для прогнозирования спроса в Supply Chain Management (как описано в разделе Обзор прогнозирования спроса), вы можете продолжать использовать их, пока используете Demand Planning. Просто поставь плитку Финансы и операции — машинное обучение Azure в вашей прогнозной модели вместо плитки Прогноз.
Сведения о том, как настроить Demand Planning для подключения к вашим алгоритмам машинного обучения Azure и их использования, см. в разделе Использование собственных алгоритмов машинного обучения Azure в планировании спроса.
Плитки поэтапного внедрения/прекращения
Плитки Поэтапный ВХОД/ВЫХОД изменяют значения столбца данных во временной серии, чтобы моделировать постепенный переход к новому элементу (например, к новому продукту или складу) или постепенный выход из старого элемента. Расчет постепенного ввода/ухода длится в течение определенного периода и использует значения, извлекаемые из одного временного ряда (из того же корректируемого столбца данных или из другого столбца данных, представляющего аналогичный элемент).
Плитки поэтапного входа/выхода имеют следующие поля, которые вы можете установить:
- Имя шага — отдельное имя плитки. Это имя также показано на блок-схеме.
- Описание — краткое описание временного плитки.
- Кем создано — пользователь, создавший плитку.
- Группа правил — имя группы правил, определяющее расчет, выполняемый плиткой.
При настройке модели прогноза на результат расчета влияет положение плитки Поэтапный вход/выход. Чтобы применить расчет поэтапного ввода/выхода к историческим номерам продаж, поместите плитку Поэтапный вход/выход перед плиткой Прогноз (как показано на левой стороне следующего рисунка). Чтобы применить расчет поэтапного ввода/выхода к результату прогноза, поместите плитку Поэтапный вход/выход после плитки Прогноз (как показано с правой стороны следующего рисунка).
Дополнительные сведения о функциях поэтапного ввода/выухода, включая подробные сведения о настройке групп правил для ввода/выхода, см. в разделе Использование функции постепенного ввода/выхода для моделирования запланированных изменений.
Плитки сохранения
Плитки Сохранить сохраняют результат прогнозной модели как новую или обновленную серию. Все прогнозные модели должны заканчиваться одной плиткой Сохранить.
Временной ряд прогноза будет сохранен в соответствии с настройками, которые вы настраиваете каждый раз при запуске задания прогноза, как описано в разделе Работа с профилями прогноза.