GreenOlive

预测描述符通常涵盖各种主题统计建模、数据挖掘、机器学习和基于驱动程序的规划，但其核心是基于历史数据和趋势对未来事件进行预测。

SAP Analytics云中的预测能力植根于成熟的统计技术。但SAP Analytics Cloud在规划流程中紧密集成预测功能方面正在取得新突破。通过消除数据科学和规划之间的孤岛，SAP Analytics Cloud可以在核心规划过程中利用这些成熟的技术。

在本节中，我们将查看SAP analytics Cloud中适用于预测性预测的技术集合。在第6.1节中，我们将介绍预测性规划，基于历史数据生成预测值，以及构建预测模型的最佳实践。在第6.2节中，我们将了解数据挖掘和预测预测是如何嵌入到SAP Analytics Cloud的数据可视化中的。

6.1预测性规划

预测分析在金融领域的应用正在迅速扩大。持续创新和对预测分析更好的全行业理解结合在一起，使预测分析成为FP&a最热门的趋势。然而，由于复杂性和潜力的增加，预测计划的独特挑战需要比简单规划解决方案升级更细致的变更管理策略。

预测性规划最好是在战术上加以利用，而不是不断地加以利用；并非所有的数据点都可以基于历史性能进行建模。明智的组织将在整个规划过程中识别关键用例，而不是试图为每个数据点利用预测技术。如图6.1所示，企业预测生命周期始于组织将人工智能确定为战略目标，分析可使用预测建模的广泛机会，选择特定用例，运行试点计划，将数据集成到其核心规划流程中，最后利用他们的成功作为创新的平台。

用例选择可以由多种因素驱动：

• 准确性挑战：

  人类很难准确预测这一说法吗？例如，在与许多品牌打交道时，一个人很难了解每种产品的趋势。

• 战略重要性

  准确预测该账户对我们的战略计划至关重要，或者更重要的是，该账户是我们指导的一部分吗？预测一个不重要的客户很难获得组织的认同。

• 过程自动化机会

  这个账户的预测需要大量的资源吗？
  这可能是由于难以生成预测或需要大量的粒度预测（例如，跨大量成本中心的费用账户）。

• 高度偏颇

  预测分析提供了生成预测的无偏差方法。这对于受内部偏见影响的客户尤其有价值，例如营销预算或销售预测。

• 对假设分析的渴望

  对于具有内部和外部因素的预测模型，假设分析可以让组织围绕不太可能发生的事件的影响进行规划。
  假设分析可以降低风险，并利用机会（例如，了解天气或房屋开工对制造业收入的影响）。

最终，预测模型只有在能够提供准确预测的情况下才可用。企业预测生命周期的试验阶段基于确定预测算法是否能够生成准确率预测。通常，这是通过定义一个测试场景来完成的，在这个场景中，历史周期被预测并与实际值进行比较。例如，五年的历史“培训”数据（2013-2017）用于生成一年的测试预测（2018），然后将其与现实世界的结果进行比较。
在SAP Analytics Cloud中，通过生成仅包含培训数据的新版本，可以轻松执行此验证过程。然后生成预措辞，并与实际结果进行比较。演示准确的预测有助于克服实施预测分析过程中的变更管理挑战。模拟分析可以每月或每年进行一次，以确保规划解决方案的长期健康。

正如我们将在本节中展示的，在规划过程中，预测性预测可以通过三种不同的方式加以利用：预测顶行账户以提供指导或假设分析（预算），预测特定账户以提供过程自动化（预测），基于驱动因素的计划允许从预测特定客户转向预测业务因素。

预算编制

在生成预算或执行任何自上而下的计划过程时，预测性预测可以发挥两个有价值的作用：

• 用于分析的附加数据点

  这样，预测就可以作为比较的一个单独版本。

• 预算起点

  或者，您可以实施一个预测性预算播种流程，在该流程中，跟踪以前实际值的趋势来创建一个前瞻性的工厂预算。然后可以根据内部知识、计划等调整预测值。

虽然高级预测模型可以令人印象深刻地精确，但了解为基于趋势的模型提供挑战的业务事件非常重要。例如，如果没有人工干预，这些模型就无法预测合并、收购或资产剥离。干预措施可以包括改变预测的组织层次（针对部门或业务单位），调整历史/培训数据，以及进行手动调整。

SAP Analytics Cloud的智能预测功能提供了生成预测模型的引导过程。最大的挑战是确定正确的场景，而不是执行技术配置。我们建议您在选择要实施的场景时记住几个因素，因为它们对于预测（确定数值）和分类（预测结果）任务都很重要：

• 训练语料库

  你有多少得分很高的数据？在本例中，“scored”是指同时具有输入变量和结果的记录。

• 稳定性

  您预测的业务流程有多一致？如果有重大变化，您能否将这些变化建模为不同的输入？

• 可预测性

  对于前向预测，您需要提供生成预测的输入。预测的输入有多准确，或者可以用可预测的类似输入代替？

预测

预测（或任何其他自下而上的规划过程）提供了不同于自上而下规划的优势和挑战。尽管自上而下的预测提供了战略见解和对一些关键价值的假设分析，但自下而上的预测允许流程自动化，以帮助快速为大量客户创建准确的预测。

预测准确率通常是在较高的水平上计算的，例如总费用或净收入。相比之下，在识别流程自动化机会时，更值得关注的是单个客户的绩效。哪些账户是分析师或管理者历来擅长预测的，哪些一直是一个挑战？同样，系统可以准确预测哪些账户？这种分析允许混合的手动/自动匹配方案，其中个别账户预先设定了预测值，减少了预测团队的工作量，并产生了更准确的总体预测。

SAP Analytics Cloud内置的基于趋势的预测工具允许用户直接在任何规划网格中输入预测值。三重指数平滑选项只是一种稍有不同的算法，它可以为遵循年度趋势的周期性时间序列（如温度或零售额）提供更精确的预测。

基于驱动程序的规划

我们在SAP Analytics Cloud中看到的第三个预测性规划出现在基于驱动因素的规划中，它允许基于价值或业务驱动因素而不是特定客户进行客户规划。这使得计划流程与业务流程更加紧密地结合在一起。此外，基于驱动程序的规划将相互关联的因素解耦。例如，在经典的基于驱动程序的计划公式revenue=price×volume中，对价格或体积的更新将创建新的revenue值。这就允许对各种驱动因素进行不断的迭代预测，并允许组织的离散部分朝着共同的结论努力。基于驱动因素的计划还为不同的预测版本提供上下文，使每个版本基于不同的业务假设，如增加的销售额、不同的供应商和人力资源政策变化。

有三种方法可以在SAP Analytics云中为基于驱动程序的规划建模：

• 实时计算

  从最终用户的角度来看，这是最简单的方法。计算帐户使用来自驱动程序的数据来生成所需的帐户值。因为每次都在运行时计算数据，所以不必担心过时的数据。另外，在数据输入端没有进程可以运行；数据保存后，计算出的帐户将显示更新的值。

  计算帐户也给基于驱动程序的规划带来了一些挑战：异常聚合可以提供复杂的场景来调整层次结构的各个级别的计算，实时计算需要为每个计算提供系统资源，公式编写起来也很复杂（通常需要“临时账户”来处理诸如多次筛选查找之类的项目）。

  与关键绩效指标类似，使用计算账户进行基于驾驶员的规划允许使用强大的反向公式。这允许将对计算帐户的更改传播到驱动程序。图6.2显示了一个基于驱动因素的规划公式示例，其中根据用户提交的价格/数量和历史趋势预测收入。

• 数据操作

  数据操作使用简单的、以业务为中心的语言来允许创建读写数据的脚本。将输入驱动程序转换为输出帐户的计算包含在数据操作中，这些操作可以是自动的，也可以从嵌入到故事中的简单用户控件调用。数据操作不像计算成员那样是实时的，但是如果您的流程需要批准输入，这可能是一个优势。它们不需要复杂的异常聚合，并且对性能的影响最小（需要一次写回），而不是每次读取时都进行计算。

• VDTs

  启用基于驱动程序的规划的最后一个选项是通过VDT。
  vdt是一种更直观的基于驱动程序的计划媒介，它们使用与计算账户类似的格式，但可以构建额外的场景和假设分析功能。VDT结合了计算成员和数据操作的优点，但代价是在数据存储位置和过滤方式方面有更高的要求。

与传统的基于账户的预测（数据输入是统一的）不同，基于驱动因素的计划输入是唯一的。SAP Analytics Cloud的结构允许将各种输入表单、数据操作和输出可视化放在一个故事中。这大大简化了基于驱动程序的计划过程，并允许基于角色的用户体验。图6.3显示了一个示例启动板，用于执行生成预测所需的每个步骤。

因为基于驱动程序的规划需要在特定的时间段保存数据，所以构建分析应用程序通常很有价值。分析应用程序为设计师提供了高度的控制能力，使其能够构建使用核心SAP Analytics云图表和网格的数据输入和报告。分析应用程序不同于故事的地方在于它们利用输入控件的能力，例如下拉列表、复选框和无线电选择。在图6.4中的示例应用程序中，用户可以从年份和客户下拉列表中进行选择，以确保将驱动程序写入正确的位置（在本例中，写入2019和TechCo）。

基于驱动程序的规划有助于创建新的主数据成员，以规划新的位置、产品或客户。SAP Analytics Cloud允许用户将这些新成员直接插入规划网格，如图6.5所示。一方面，这大大减少了规划者等待的时间；另一方面，如果每周或每月组织和排序新成员的流程不到位，这些新成员可能会很快变得势不可挡。至少，应该删除未使用的成员，输入所有必要的主数据属性，并将成员放置在层次结构中的适当位置。

在基于驾驶员的规划过程中面临的一个主要挑战是如何处理顶线调整。不应更改值本身，因为重新计算帐户时，更改将丢失。通常，这些更改要么通过调整数据源/帐户处理，要么通过利用协作功能请求对原始驱动程序进行调整。

6.2嵌入式预测分析

由于SAP Analytics Cloud在所有图表和网格中嵌入了预测性分析和数据挖掘，因此企业可以利用此功能，而无需执行额外的定制和配置。

本节中描述的技术可直接从SAP Analytics Cloud stories获得。Smart Insights提供数据挖掘功能，而预测图表支持时间序列趋势分析，以在图表中提供面向未来的预测。

智能洞察Smart Insights

所有图表都提供了智能洞察，并提供高级数据挖掘，以识别异常值和值的关键驱动因素。这一功能大大降低了对已交付报告和特别报告的要求，尤其是对于基于驱动程序的规划来说，这是非常必要的，在这种规划中，值的根本原因常常在计算过程中丢失。
图6.6显示了如何通过可视化直接调用Smart Insights，揭示了驱动给定值的因素。在这种情况下，我们可以看到豪华电容器组是顶级产品的贡献者。

预测图Predictive Charts

预测预测有能力通过在预测中添加时段来丰富所有趋势图。在SAP Analytics Cloud中，预测周期还显示置信区间（即，预测值在95%概率范围内的范围）。在图6.7中，置信区间是右侧阴影区域，而虚线是历史趋势。

通过在预测中添加附加值（例如，内部或行业因素，如生产者价格指数或营销支出），可以获得更高的准确性。请注意，必须对值进行前向预测，否则不能在预测预测中使用。

在本节中，我们研究了SAP Analytics Cloud中的各种预测预测技术。预测性预测提供了对高级客户的有价值的洞察，以及获取更详细数据的流程自动化机会。基于驱动因素的计划允许分析师从预测客户价值转向更具上下文的数据点，如数量、人数和定价。最后，我们研究了SAP Analytics Cloud如何将这些技术直接嵌入到故事中，将预测性预测置于用户的指尖。在下一节中，我们将开始将规划、分析和预测技术结合到FP&A流程中。