Результат: 26 материала(ов)
Этот раздел представляет собой пошаговое руководство по созданию модели кластеризации в SAP Predictive Analytics. В нем подробно описаны этапы импорта данных из различных источников, их предварительный статистический анализ для оценки качества, а также ключевая настройка описания переменных (типы, структуры и группировка), которая обеспечивает корректное кодирование данных и высокую точность будущей прогнозной модели.
Кластеризация автоматически формирует сегменты клиентов, продуктов и других объектов деятельности организации. Она помогает лучше понять среду, в которой работает организация, и позволяет сосредоточить целевые действия на нескольких группах объектов вместо индивидуальной работы с каждым из них.
Этот раздел кратко описывает интерфейс Automated Analytics и его три ключевых модуля: Data Manager для подготовки и обогащения данных, Data Modeler для запуска прогнозных моделей и Toolkit для разведочного анализа и статистической оценки данных перед моделированием.
Automated Analytics — исторически первый пользовательский интерфейс SAP Predictive Analytics. Изначально он создавался как визуальное средство для работы со сложными API продукта, однако со временем Automated Analytics стал основным интерфейсом, позволяющим пользователям без технической подготовки выполнять сложные проекты прогнозной аналитики.
Планирование задач — это ядро Predictive Factory, которое позволяет перевести модели в промышленную эксплуатацию с максимальным контролем и эффективностью. Узнайте, как грамотно настроить расписания, связать задачи в единый контролируемый процесс и обеспечить непрерывное улучшение качества ваших моделей в продакшене.
Любая предиктивная модель со временем теряет свою актуальность: меняются рыночные условия и поведение клиентов, что приводит к «дрейфу» данных и снижению точности прогнозов. Чтобы аналитика продолжала приносить бизнес-ценность, необходим постоянный контроль и своевременное обновление алгоритмов. Как решить эту задачу в SAP Predictive Analytics? Мы рассмотрим настройку проверки отклонений модели, оценку её качества через метрики KI и KR, а также лучшие практики автоматизации переобучения моделей.
В этой главе мы покажем, как использовать Predictive Factory для развертывания моделей: пакетного формирования результатов, контроля качества модели и отклонений наборов данных, а также переобучения моделей. Важное преимущество SAP Predictive Analytics состоит в том, что все эти шаги автоматизированы.
Этот инструмент автоматически строит прогнозы, разбирая исторические данные на простые составляющие: сначала он находит и убирает общий тренд (рост или падение), затем выявляет повторяющиеся циклы (например, по дням недели или месяцам), а оставшиеся колебания предсказывает на основе недавней истории или методов сглаживания.
Прогноз спроса построен, но завтра его нужно пересчитывать заново? Знакомая боль. В новом материале мы покажем, как в SAP Predictive Factory автоматизировать рутину и превратить одиночную модель временного ряда в бесперебойный конвейер предсказаний. На практическом примере настроим ежедневное расписание, разберем политики сохранения истории прогнозов и научим систему бить тревогу, когда фактические показатели выходят за рамки прогноза. Читайте, как заставить SAP Predictive Factory работать на вас 24/7, мониторить качество моделей и не пропускать критические бизнес-аномалии.
В разделе представлено практическое руководство по массовому прогнозированию множества временных рядов с использованием инструмента Predictive Factory. Описывается подход, позволяющий избежать ручного создания сотен отдельных моделей за счет автоматической сегментации данных.
Описывается полный цикл работы с прогнозной моделью в Predictive Factory: от интерпретации результатов до сохранения и улучшения модели. Показано, как оценивать качество модели через MAPE, анализировать её компоненты (линейный тренд, два выявленных цикла) и визуально исследовать прогноз, диапазон ошибок и выбросы. Как сохранить полученные прогнозы в CSV-файл или базу данных с настройкой детализации выходных столбцов. Демонстрируется повышение точности модели: добавление внешних факторов (погода, праздники) в качестве дополнительных предикторов снижает MAPE до 12,28%, после чего обновлённый прогноз точнее описывает исторические данные и формирует более надёжные предсказания.
В этой главе вводится понятие прогнозирования временного ряда (time series forecasting), который представляет собой показатель (measure), повторяющийся через постоянные интервалы времени. Мы покажем, как прогнозировать отдельный временной ряд (time series), и покажем, как повысить точность прогноза (forecast accuracy) за счет предоставления дополнительного контекста.
Цель автоматизированных методов, встроенных в SAP Predictive Analytics, заключается в быстром создании предиктивных моделей, качество которых сопоставимо с моделями, вручную донастроенными специалистами по науке о данных.
На этом этапе мы переходим к ключевому шагу — применению модели классификации и формированию прогнозов. Прежде всего необходимо проверить наличие отклонений модели. Модель можно безопасно применять только в том случае, если в наборе данных для применения не обнаружено существенных отклонений.
В этом разделе сначала объясняется, как интерпретировать автоматизированную модель классификации. Затем описывается, как при необходимости улучшить такую модель.
В предыдущей главе были рассмотрены пользовательский интерфейс и концепции, лежащие в основе Predictive Factory. В этом разделе пошагово описываются действия, необходимые для создания модели классификации в Predictive Factory, на примере страхования туристических прицепов.
Широкий спектр бизнес-задач может быть решён с использованием моделей классификации — одной из ключевых техник SAP Predictive Analytics. В этой главе описано всё, что необходимо знать о моделях классификации: от их создания до применения для предоставления прогнозов вашим бизнес-пользователям.
redictive Factory может планировать выполнение задач за пределами SAP Predictive Analytics путём определения внешних исполняемых файлов.
Predictive Factory — это среда, в которой модели разворачиваются (для производства результатов, контроля моделей и их повторного обучения) и, всё чаще, создаются. В этой главе мы дадим обзор философии Predictive Factory на верхнем уровне и того, как она работает.
Регрессионные модели могут применяться различными способами, включая использование Predictive Factory и Automated Analytics, а также с помощью scoring code и KxShell Script. Перед применением модели необходимо проверить её качество. В статье рассмотрено, как определить, можно ли безопасно использовать модель, а затем — как её применить.
