Performance Analytics punktet Prognosen
Performance Analytics Ermöglicht Ihnen, zukünftige Punktzahlen basierend auf vergangenem Verhalten zu prognostizieren. Sie können Punktzahlen für Zeitreihenwidgets, Zeitreihendatenvisualisierungen, KPI-Details, Und Analytics Hub. Prognosepunktzahlen werden als gestrichelte Linie angezeigt.
Die Prognose wird in eingerichtet Prognose Wird Erstellt Registerkarte des Indikatordatensatzes. Die Anzahl der in der Prognose enthaltenen Datenpunkte hängt von der Indikatorhäufigkeit und der Anzahl von ab Prognosezeiträume Konfiguriert für den Indikator. Ein Zeitraum ist eine festgelegte Anzahl von Punktzahlen basierend auf der Indikatorhäufigkeit. Unabhängig von den Einstellungen und der Prognosemethode werden nicht mehr als 2688 Prognosedatenpunkte generiert.
Konfigurieren Sie Prognosen für einen Indikator
Konfigurieren Sie im Datensatz eines automatisierten Indikators Prognosen so, wie sie auf angezeigt werden Analytics Hub, Performance AnalyticsWidgets und Zeitreihendaten-Visualisierungen.
Vorbereitungen
Erforderliche Rolle: pa_Power_user, PA_admin, admin
Prozedur
Prognosemethode auswählen
Wenn Sie Statistikexperte sind, können Sie eine Prognosemethode manuell auswählen. Standardmäßig wählt die Instanz basierend auf der Anpassung der Methode automatisch die beste Methode für Sie aus.
Um die am besten geeignete Prognosemethode zu bestimmen, generiert die Instanz Prognosen mithilfe jeder Prognosemethode mit Ihren Verlaufsdaten. Die Instanz vergleicht diese Prognosen dann mit den neuesten Daten basierend darauf, wie weit voraus Sie prognostizieren möchten. Die Instanz führt diese Auswertung jedes Mal durch, wenn die Prognose angezeigt wird. Daher kann das Sammeln zusätzlicher Punktzahlen oder das Ändern des Prognosezeitraums ändern, welche Prognosemethode verwendet wird.
Wenn Sie beispielsweise einen Indikator mit einer täglichen Häufigkeit so konfigurieren, dass er zwei Zeiträume voraus prognostiziert, wendet die Instanz jede Prognosemethode auf Ihre Verlaufsdaten an, die älter als zwei Wochen sind. Dann vergleicht die Instanz diese Prognosen mit den Daten der letzten zwei Wochen. Die Prognose, die den letzten zwei Wochen mit Daten am besten entspricht, wird dann mit dem gesamten Datensatz neu berechnet. Die Instanz zeigt die Ergebnisse dieser endgültigen Berechnung in an Analytics HubOder in KPI-Details.
Prognosemethoden
Performance Analytics Kann die folgenden Standardprognosemethoden verwenden.
| Methode | Beschreibung |
|---|---|
| Linear | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen, wobei Konstante und Trend als erklärende Variablen verwendet werden. |
| Saisonal | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen, wobei saisonale Dummies als erklärende Variablen verwendet werden. Eine „Saison“ für diese Analyse ist ein Zeitraum. |
| Saisonaler Trend | Als saisonabhängig, enthält aber einen Trend als erklärende Variable. |
| Seasonal Trend Loess (STL) | Generiert eine saisonale Prognose basierend auf einer Best-Fit-Funktion. Diese Methode passt einen Trend, eine Saison und einen zufälligen Rauschprozess mit einem exponentiell gewichteten Ansatz des gleitenden Durchschnitts an die Daten an. Die Prognose basiert auf dem vollständigen Datensatz, wobei neuere Beobachtungen stärker gewichtet werden Eine „Saison“ für diese Analyse ist ein Zeitraum. |
| Zufällige Gesamtstruktur (RF) | Erstellt eine Kombination von Entscheidungsstrukturen, in der die von diesen Strukturen erzeugten Vorhersagen gemittelt werden, um eine einzelne Vorhersage zu erhalten. Die Zufälligkeit stammt aus jeder Struktur, die aus einer zufälligen Teilmenge der verfügbaren Daten und Eingaben erstellt wird. Weitere Informationen zur zufälligen Forst-Methode finden Sie hier Mittelgroßer artikel . |
| Autoregressiv (AR) | Das autoregressive Modell (AR) prognostiziert zukünftige Werte eines Indikators mithilfe einer linearen Kombination aus einem Trend, saisonalen Dummies und vergangenen Werten. Wie das Modell „zufällige Gesamtstruktur“ (RF) überprüft das AR-Modell auf die beste Anzahl von Verzögerungen. Das AR-Modell bezieht aktuelle Werte jedoch linear auf vergangene Werte, während das RF-Modell nicht linear ist. |
Indikator-Prognosezeiträume
Abhängig von der Häufigkeit der Punktzahl wird eine andere Zeitraumlänge ausgewählt. In der Tabelle finden Sie die Länge des Zeitraums, der für Ihre Serie verwendet wird.
| Punktzahlhäufigkeit | Anzahl der Datenpunkte pro Zeitraum | Gesamtdauer des Zeitraums |
|---|---|---|
| Täglich | 7 | 1 Woche |
| Wöchentlich | 13 | 1 Quartal |
| Zweiwöchentlich | 6 | 1 Quartal |
| Vier Wöchentlich | 13 | 1 Jahr |
| Monatlich | 12 | 1 Jahr |
| Zweimonatlich | 6 | 1 Jahr |
| Vierteljährlich | 4 | 1 Jahr |
| Geschäftsquartal | 4 | 1 Jahr |
| Halbjährlich | 2 | 1 Jahr |
| Jährlich | 4 | 4 Jahre |
| Geschäftsjahr | 4 | 4 Jahre |
Prognosen und Ziele
Wenn die Prognose für einen Indikator aktiviert ist und ein globales Ziel definiert ist, zeigt die Prognose an, wann das Ziel erreicht wird.
Darüber hinaus sendet die Instanz 14 Tage, bevor sie erwartet, dass das Ziel erreicht wird. Sie können ändern, wie viele Tage vor dem Senden der Benachrichtigung gesendet werden, indem Sie festlegen pa.job.forecast.target.days_to_checkEigenschaft.
Diese Funktionalität ist nur für globale Ziele verfügbar. Schwellenwerte und persönliche Ziele interagieren nicht mit Prognosen.
Prognosen mit Zeitreihenzusammenfassungen
Wenn Sie eine Zeitreihenzusammenfassung auf einen Indikator anwenden, ändert sich die Länge des Prognosezeitraums. Der Change hängt vom Typ der Zeitreihe ab.
| Zeitaggregat | Auswirkung auf Prognosezeitraum | Beispiel |
|---|---|---|
| Wird ausgeführt | Die Anzahl der Punkte im Zeitraum entspricht dem Feldwert „Bereich“. | Für eine laufende Summe von 7 Tagen verfügt der Prognosezeitraum über 7 Datenpunkte. Für eine ausgeführte Summe von 28 Tagen hat sie 28 Datenpunkte. |
| Nach Zeitraum | Der ausgewählte Zeitraum wird so behandelt, als ob es sich um die Indikatorhäufigkeit handelte. | Ein Zeitaggregat „nach Woche“, das auf einen täglichen Indikator angewendet wird, hat 13 Datenpunkte pro Prognosezeitraum, was ein Quartal lang ist. Dieser Prognosezeitraum ist derselbe wie für einen wöchentlichen Indikator ohne Zeitaggregat. |
| Bis Datum | Die Zeitraumlänge stimmt mit der Zeitspanne der Zusammenfassung überein. Die Anzahl der Datenpunkte pro Zeitraum ist ein Produkt dieser Zeitspanne und der Indikatorhäufigkeit. | Weitere Informationen finden Sie im Rest dieses Abschnitts. |
| Woche bis heute | Monat bis heute | Quartal bis heute | Jahr bis heute |
|---|---|---|---|
| 7 | 30 | 91 | 365 |
| Indikatorhäufigkeit | Datenpunkte pro Zeitraum, Jahr bis heute |
|---|---|
| Täglich | 365 |
| Wöchentlich | 52 |
| Vier wöchentlich | 13 |
| Zweiwöchentlich | 26 |
| Vierteljährlich (Geschäftsjahr) | 4 |
Indikatorpunktzahlprognosen werden angezeigt
Zeigen Sie in der klassischen Umgebung die Prognosen in einem Zeitreihen-Widget oder in an Analytics Hub. Auf einem konfigurierbarer Arbeitsbereich, Zeigen Sie die Prognosen für eine Zeitreihendatenvisualisierung oder an KPI-Details.
Wählen Sie aus, um die Prognose in einem Zeitreihen-Widget anzuzeigen Prognose anzeigen In Anzeigeeinstellungen Abschnitt des Widget-Formulars. Sie können auch das 95 %-Konfidenzintervall der Prognose anzeigen, indem Sie auswählen Prognosebereich anzeigen . Weitere Informationen finden Sie unter Zeitreihen-Widgets.
Um die Prognose auf anzuzeigen Analytics Hub, Klicken Sie auf das Symbol für Diagrammeinstellungen ( 
) Und aktivieren Prognose Option. Ebenso in KPI-Details, Offen Diagrammoptionen Und aktivieren Prognose .
Um die Prognose in einer Zeitreihendatenvisualisierung anzuzeigen, erweitern Sie die zusätzlichen Einstellungen, und aktivieren Sie sie Prognose anzeigen . Sie haben dann die Möglichkeit, den Prognosebereich anzuzeigen.
Dient zum Anzeigen der Prognose für einen Indikator auf KPI-Details, Aktivieren Sie die Prognose in Diagrammoptionen in KPI-Details.