時系列モデルの使用

SAP Analytics Cloud Smart Predict での時系列モデルの導入

Objective

After completing this lesson, you will be able to smart Predict での時系列分析について説明します。

時系列モデルのユースケース

拡張分析を使用した旅費/経費管理の管理

時系列予測は、時間ディメンションを使用して傾向を特定できる場合に、メジャーの将来の値を見積もる場合に役立ちます。

ケーススタディでは、時系列モデルを使用して費用を管理するためのシナリオについて説明します。

時系列モデルを使用して調査できるトピックの種類は何ですか?

以下のような質問に回答することができます。

  • 来月のショップの収益はどのように進化するのでしょうか。
  • 今後数週間の地域ごとの製品別売上はどの程度ですか。
  • 今後数週間の間、倉庫内の製品の在庫はどのように変化しますか。
  • 次の四半期にキャッシュフローはどのように進化しますか。

Smart Predict での時系列分析

時系列とは何ですか。

時系列は、時系列順にインデックス化された一連のデータポイントです。通常、時系列は、同じ間隔の時点で取得された一連の観測値です。たとえば、時系列では、一定の間隔で記録されたデータポイントを使用して、指定した期間における収益または原価の移動を追跡することができます。たとえば、週次、月次、四半期、年次などです。

経時的なコストを示す時系列モデル。

シグナル

時系列モデルの構築およびトレーニング時には、ターゲット変数の履歴値と対応する日付が必要です。日付および目標値のこのデータ '結合' はシグナルと呼ばれます。Smart Predict の時系列予測モデルによってシグナルが分析されます。同じ日付 (過去と将来) で取得された他の変数の値は、モデルのインフルエンサ変数として含めることができます。変数は、シグナルの分析を絞り込むために使用されます。

シグナルは、説明または予測するターゲット変数であり、複数のコンポーネントで構成されます。たとえば、今後 6 カ月間の製品販売を予測する場合、シグナル変数は製品販売です。コンポーネントには、以下が含まれます。

  1. トレンドは、時系列がどこに向かい、一般的にどの方向に移動するかを識別します。減少、増加、またはフラットにすることができます。
  2. 定期は、時間の経過とともに定期的に再現される季節性および期間パターンです。
  3. 変動は、前の値 "t-1"… "t-10"… "t-n" に対する時刻 "t" のシグナル値の依存関係を反映します。
  4. 残差とは、傾向、期間、および変動が取り除かれた場合に残されるシグナルです。残差はホワイトノイズ(純粋にランダムな効果)とみなされる。

質問: 以下の図のオレンジ色の線で示される通常のピークとボトムの名前は何ですか。

シグナルチャートの例を示す図。

回答:定期的と回答した場合は正解です。上の図に示した通常のピークとトラウは、周期信号の一例である。

注記

SAP Analytics Cloud の時系列予測モデルは加算型です。予測は、トレンド、周期、および変動の値を合計することによって計算されます。

予測期間

期間は、将来予測される予測の数です。この数は、履歴データのサイズに直接依存します。

5:1 は、期間を見積もり、関連する信頼区間を使用して予測を生成する場合に適切な比率です。つまり、履歴ケースが 100 個ある場合、ターゲット変数の将来の値を 20 個予測できます。6 カ月を予測するには、30 カ月の履歴データを指定する必要があります。

ベストプラクティス:

  • 通常は、あまりにも遠い履歴を破棄することをお奨めします。
  • 選択できる値は 20 以下ですが、さらに多くのが必要な場合は、より多くの履歴ケースを収集することをお奨めします。
  • 時系列モデルの構築時に予測シナリオ設定を使用すると、使用可能なすべての月を使用するか、特定の期間に制限して、使用される時間枠を定義することができます。
履歴データおよび期間。

SAP Analytics Cloud では、履歴データが自動的に時系列順に並べられ、2 つのセットに分割されます。

  1. データの最初の 75% は、時系列予測モデルのトレーニングに使用されます。
  2. 残りの 25% は、最適な候補モデルを選択するために使用されます。 

予測モデルを最適化するために、データはどのように内部分割されますか?

Smart Predict では、学習用データセットと検証用データセットが使用され、時系列モデルの作成時に以下のステップが実行されます。

  1. トレーニングデータセットから、時系列モデルの複数のトライアルバージョンがトレーニングされます。
  2. 時系列モデルの最適なトライアルバージョンが選択されます。
  3. トライアルバージョンは、チェックセットを使用して評価されます。
  4. 最終予測時系列モデルが登録されます。
学習用データセットと検証用データセットを使用して時系列モデルを作成する 4 ステップのプロセス。

時系列予測モデルを作成する際の考慮事項

時系列予測モデルを作成する際には、いくつかの考慮事項を考慮する必要があります。

  1. 予測のスケール: 予測のスケールを考慮します。たとえば、履歴データが月、週、日、時、または分ごとに取得される場合、予測は同じ時間単位で生成されます。したがって、データが月次で記録される場合、今後数日間の予測を要求しても意味がありません。センサによってデータが毎分記録されるものの、分が使用ケースに関連しない場合は、より高い時間単位 (1 時間など) を使用する必要があります。
  2. 集計: 必要な時間単位でのデータの集計を考慮し、集計関数を定義します。
    • たとえば、集計関数では、この時間の 60 分ごとに測定された 60 個の値から時間の値を 1 つ計算することができます。これは、最初の値、最後の値、中間の値、または計算された値にすることができます。たとえば、平均やより複雑な式などです。
    • 重要な留意点は、集約のサイズです。大規模な集計では、情報が非表示になり、予測品質が低下する可能性があります。ただし、適切な集約により、ノイズが多い場合にシグナルが平滑化されます。最適な集計関数を選択するためのテストと実験。
  3. データのソート: 履歴データセットは、各時間単位がターゲット変数の 1 つの値のみに対応するようにクリーンアップする必要があります。Smart Predict によってデータが自動的に並べ替えられます。