Sammanfatta detta blogginlägg med:
Precis som Tom Brady noggrant analyserar matchbilder för att förutse motståndarnas försvar eller LeBron James justerar sin strategi mitt i matchen baserat på motståndarnas rörelser – borde inte företag ha flexibiliteten att ändra sina planer baserat på behov? Borde de inte ha insyn i sin ekonomi, leveranskedja, försäljning och verksamhet? Det är vad Anaplan ger.
Kraften att samarbeta, integrera, budgetera och planera för en mängd olika funktioner, inklusive: efterfrågeplanering , leveranskedjeplanering , HR- och personaloptimering samt ekonomi. Dessutom gör en intelligent prognos det mer sömlöst och relevant. Det är vad PlanIQ i Anaplan är till för. Att kombinera Anaplans sammankopplade planering med exakta prognoser.
PlanIQTM är en AI/ML-driven statistisk prognosteknik med Amazons allra bästa intelligenta prognosmotor, samt Anaplan-baserade algoritmer som multivariat linjär regression (MVLR) och anaplan prophet för att skapa exakta prognoser drivna av interna och externa drivkrafter integrerade i Anaplan .
Det är definitionen i alla fall. Enkelt uttryckt tränar den prognosmodeller för AI och ML med Anaplan-moduldata eller data direkt från lager (AWS S3, Azure och GCP) för att utrusta användare med kvalitetsmått för verkliga resultat. Den extra fördelen är att – även om det låter komplicerat, behöver du bara konfigurera ditt gränssnitt (som är lättanvänt) och integrera det direkt i dina Anaplan-planeringsmoduler.
Input till utförande av prognos med Anaplan PlanIQ PlanIQ-fördelar och funktioner
Med vår expertis som både Anaplan-implementeringsexperter och datavetenskapsexperter förstår vi behovet av att ha noggranna (efterfråge-/finansiella) prognoser och att starta en ny process. Med tanke på de otaliga beprövade lanseringarna av PlanIQ vi har gjort, överväger fördelarna vida riskerna.
1. Förbättrad prognosnoggrannhet med upp till 50 % med kraftfulla prognosmotorer (Anaplans egna algoritmer som multivariat linjär regression (MVLR) och Anaplan Prophet, Amazon Forest, etc.)
2. Manuellt eller automatiskt lära och träna prognosmodeller för att öka noggrannheten
3. Eliminera behovet av att träna data varje gång genom att utnyttja den senaste datan
4. Schemalägg verksamheten och hantera prognoskvoter så att de matchar din prognoscykel
5. Skapa "what-if"-scenarier för en mängd olika användningsfall utan behov av datavetenskaplig expertis (direkt av modellbyggarna)
6. Stödja ad hoc-förutsägelser
7. Uppnå mycket noggranna mätvärden i ett lättillgängligt och lättinlärt format
8. Inga svarta lådor och förstå verkligen vad som driver prognosresultat
9. Minska tiden som behövs för databehandling
Den verkliga hemligheten och det roliga med den här prognoslösningen är att – den kräver ingen speciell expertis för att konfigurera, driftsätta och använda – vilket gör det enkelt att konfigurera och visualisera resultaten.
Från efterfrågeprognoser till personalplanering expanderar PlanIQs omfattning till funktionerna HR, ekonomi, leveranskedja och försäljning. Vi kommer inte att gå in på definitionerna av varje användningsområde utan prata lite om vad som vanligtvis täcks av de tre vanligaste användningsfallen: ekonomisk planering, efterfrågeplanering och personalplanering.
Anaplan-användningsfall för alla funktioner förklarade Finansiell planering
Du kan hämta data från Anaplan-modeller och automatiskt välja den bästa ML-prediktionsmodellen för datan (vi diskuterar PlanIQs 8 algoritmer nedan), vilket sparar timmar av manuell ansträngning. Samtidigt gör ad hoc-analyser det möjligt för analytiker att fastställa de drivkrafter som ökar prediktionsnoggrannheten.
Efterfrågeplanering
Med PlanIQs efterfrågeplanering kan du bedöma och prognostisera baserat på baslinjeförsäljningen, identifiera total efterfrågan, rensa historiken, detaljgranska efterfrågedrivare, inkludera trend- och säsongsanalyser samt upptäcka och ta bort extremvärden.
Personalplanering
Förutse personalbehov och optimera resursallokering. Integrera prognoser för personalstyrkan direkt med intäktsplaner, prognoser för driftsutgifter (OpEx) och andra strategiska planer. Planera för personal även under högsäsongen (vilket vanligtvis ger felaktiga resultat), integrera flera variabler och automatisera processer för personalbehov.
Från analys av portföljkannibalisering, prognoser för färdiga produkter och marknadsföringseffektivitet till prognoser för lagernivåer finns det många andra användningsområden som vi inte pratar om nu.
Även om orden AI och ML används för att beskriva PlanIQ, är det förvånansvärt enkelt att använda det eftersom det kommer med ett gränssnitt för att välja modeller. Det är möjligt att slutföra det i fyra enkla steg.
För att komma igång med PlanIQ behöver du historisk data (för vilken du vill ha prognosen), relaterad data som kan påverka den historiska datan, som förpackningsstorlekar, färg eller andra data som kan ha en indirekt slutsats, information om attribut som är statiska, icke-tidsberoende kategoriska textfunktioner som beskriver objekten i den historiska tidsseriedatan, som stil, kategori, geografisk plats etc., helgkalendrar (som också är relaterad data – tänk på Thanksgiving-ökningen i data), prognosresultatkuber och import-export-åtgärder. Nu ska vi gå direkt till hur man konfigurerar PlanIQ.
1. Konfigurera din datainsamling
PlanIQ kan mata in upp till tre typer av data för att leverera en prediktor. Även om endast en typ av data krävs för att prognostisera, kan lägga till två andra uppsättningar hjälpa prognosen att lära sig och skapa mer skräddarsydda prognoser för ett specifikt scenario – vilket är anledningen till att vi lägger till relaterade data och attribut.
Steg för att konfigurera din datainsamling i Plan IQ 2. Kör prognosmodell
När du har granskat informationen kan du skapa en prognosmodell. Observera att för korrekta prognoser behövs rena data och relevanta indata. Det finns tre saker att beakta här: algoritmerna, prognoshorisonten och kalendern (för att tillgodose geografiskt specifika prognoser).
- Ange ett namn för modellen
- Välj önskad algoritm från rullgardinsmenyn (vi går in på detaljerna om algoritmen nedan)
- Välj önskad prognosfrekvens (beror på datainsamlingens granularitet)
- Klicka sedan på läget Skapa prognos – vilket kan ta 30–90 minuter att rendera baserat på vald modell.
När du väljer modeller är det viktigt att vara uppmärksam på inställningen för optimeringsmått. PlanIQ stöder tre optimeringsmått: MASE (standard), MAPE och RMSE.
När din granskning av prognosen är klar, dvs. kontroll av kvalitetsmåtten, kan du importera backtestdata (data som undanhålls från historiska data och motsvarar prognoshorisonten) för att kontrollera noggrannheten. Efter detta kan du importera förklarbarheten (som är en del av vissa algoritmer som Amazon Ensemble) – som kommer i ett grafiskt format med en jämförelse mellan variablerna.
3. Skapa en handlingsplan för prognoser
Vid det här laget bör du ha en förtränad prognosmodell i klart tillstånd med prognosresultaten och importmodellerna. Nu kan du få PlanIQ att vidta åtgärder.
- Välj Prognosåtgärder > Nya prognosåtgärder > Skapa en prognosåtgärd
- Ange namnet på prognosåtgärden som skapades när du skapade träningsplanen
- För prognosimporten – välj din målarbetsyta och modell och sedan förklaringsimporten
4. Visa resultat och integrera dem i planeringen
- Skapa kort med PlanIQ-resultat för att se förklaringsbarhet sida vid sida med historisk data och prognoser – genom att konfigurera rätt kort.
- Nu kan du granska prognosresultaten och lägga till dem i planeringsprocessen för att förbättra beslutsfattandet.
När ska man skaffa PlanIQ?
Även om vi har beskrivit hur du kommer igång med det, finns det några saker du måste ta hänsyn till när du funderar på PlanIQ. Till att börja med, om du inte har tillräcklig kvalitetsdata, bör du fundera på att förbättra den först innan du börjar med Anaplan PlanIQ.
De tre viktigaste parametrarna du bör överväga är:
1. Behov av ett prognosverktyg/plattform – detta bör baseras på hur era nuvarande metoder är – om de är otillräckliga eller manuella eller om de är för dyra etc.
2. Enkel skalning – När man har att göra med flera produktlinjer, olika geografiska marknader eller invecklade leveranskedjor kan PlanIQs avancerade algoritmer hjälpa till att hantera denna komplexitet – i Anaplan-miljön.
3. Resursbegränsningar – PlanIQ kan tillhandahålla avancerade prognosfunktioner utan omkostnaderna för att underhålla ett extra data science-team.
Om du inte redan har ett mycket övergripande prognosverktyg föreslår vi att du åtminstone skaffar en POC för PlanIQ för att se hur miljön skulle fungera för dig.
Ett av de vanliga misstagen som vissa kunder gör när de implementerar PlanIQ är att inte ta hänsyn till de färdigheter som behövs. Eftersom det är baserat på Anaplan måste modellbyggarna kunna skapa sparade vyer, strukturera modeller, skapa och spara importer och exporter. Men de behöver också ha en viss förståelse för prognoser.
Några av PlanIQ-prognoserna skulle se ut ungefär så här:
PlanIQ-förklarbarhet och jämförelse mellan prognoser Så, kompetensnivån för att kunna tolka dessa och förstå parametrarna som vi beskrivit ovan, såsom prognosförutsägelser och attribut etc., skulle behövas.
Den andra faktorn handlar om förändringsledning – särskilt när man går från manuella prognoser eller tillväxtprognoser jämfört med föregående år. Detta skulle kräva lite mer omfattande förändringsledning jämfört med när man redan använder någon form av statistisk prognostisering eller anpassade ML-lösningar. För alla dessa behövs den nödvändiga förändringsledningen.
I slutändan är PlanIQ en investering. Till och med Harry Potter behövde sorteringshatten för att dra fram Gryffindors svärd – alla rätt användningsfall kräver rätt verktyg och processer för den avsedda resultatet.
För att få ut det mesta av din investering behöver du tänka på dessa bästa metoder:
1. Säkerställa datakvalitet och förberedelse, dvs. att informationen är tydlig, konsekvent och strukturerad på lämpligt sätt. Identifiera även extern data för införlivning för bättre prognoser.
2. Skapa ett regelbundet schema för prognoser (t.ex. dagligen, veckovis, månadsvis) baserat på dina behov för att säkerställa justeringar i tid.
3. Övervaka regelbundet och jämför prognosresultat med faktiska utfall för att utvärdera modellens prestanda.
4. Ge utbildning i effektiv användning av datainmatning, modellval och tolkning av resultat.
5. Integrera med befintliga processer, använd verktyg som Polestars Anaplan Integration-verktyg eller kopplingar för att ansluta till datakällor och resultat.
6. Använd PlanIQ som ett verktyg för att förbättra mänskligt beslutsfattande, inte ersätta det. Ta hjälp av affärsanvändare tillsammans med PlanIQs prognoser för att verifiera resultaten.
Dessutom pratar vi om några fler ämnen som många av våra kunder har frågat oss tidigare.
Vanliga frågor:
1. Hur kan vi föra in data i Anaplan PlanIQ?
Prognosteam kan öka prognosnoggrannheten utan att först behöva flytta data till Anaplan för att hämta interna och externa data direkt till PlanIQ, från AWS S3, Azure Blob eller Google Cloud. De kan också ansluta till Anaplan Models för att hämta data. Alternativt kan de använda hjälp av kopplingar som Polestars Integration Utility eller Anaplan Cloud Works för att ansluta till datakällor.
Källa: Anaplan 2. Vilka avancerade mätvärden används i PlanIQ?
Prognosernas kvalitet (precis som alla andra statistiska metoder) förstås genom ett par avancerade mätvärden som:
- MAPE eller medelvärde för absolut procentuellt fel : Summan av de individuella absoluta prognosfelen dividerad med de faktiska värdena för varje period. Ju närmare 0 detta är, desto bättre.
- RMSE eller Root Mean Square Error : Detta är roten av de ackumulerade summorna av kvadraten av skillnaden mellan faktiskt och uppskattat värde dividerat med antalet icke-saknade datapunkter. Lägre RMSE-värden indikerar en mer exakt förutsägelse.
- MAE eller medelabsolutfel : Detta är den genomsnittliga absoluta skillnaden mellan X och Y – jämför endast data för liknande enheter.
- MAAPE eller medelarktangent absolut procentuell fel : Detta är ett mått på prognosnoggrannhet för noll eller nära noll faktiska värden. Detta är särskilt användbart när extremt stora fel kan uppstå på grund av felaktiga observationer.
- MASE eller medelabsolut skalat fel : Detta är det genomsnittliga absoluta felet för prognosvärdena dividerat med det genomsnittliga absoluta felet för den naiva prognosen. Detta mått är väl lämpat för serier med intermittent efterfrågan.
- SMAPE eller symmetriskt medelvärde av absolut procentuellt fel : Detta skalberoende relativa fel är det absoluta felet dividerat med magnituden av det exakta värdet.
- MASE : Detta är det övergripande måttet för modellkvalitet som bestraffar positiva och negativa prognoser lika mycket. En modell kan betraktas som ett bra måttet om minst 60 % av objekten fick ett MASE-resultat av hög kvalitet.
3. Vilka algoritmer stöds av PlanIQ?
Detta ämne i sig kan ha en hel artikel för sig själv. För enkelhetens skull stöds följande algoritmer:
- Baslinjealgoritmer för tidsserier inklusive ARIMA och ETS
- Avancerade statistiska tidsseriealgoritmer som multivariat linjär regression
- Flexibla lokala algoritmer som Anaplan Prophet
- Neurala nätverksalgoritmer som DeepAR+ och CNN-QR
Observera att ingen algoritm är bättre än den andra, prestandan beror på det specifika användningsfallet, datamängder, kontext och historiska mönster.
4. Vilka typer av extremvärden finns det och hur hanterar man dem i PlanIQ?
I allmänhet finns det tre typer av extremvärden, nämligen: punktutvärden, kontextuella extremvärden eller kollektiva extremvärden. Punktutvärden och kontextuella extremvärden är vanligare former av extremvärden. Förutom att visualisera dem identifieras de vanligtvis genom att beräkna standardavvikelsen för värdena.
Några sätt att hantera extremvärden är:
- Utnyttja funktionen Exclude Value i PlanIQ, som ersätter extremvärdet med ett automatiserat logikvärde.
- Skapa en prognosmodell och förutsäg värdet för den period då extremvärdet förekommer, ersätt sedan extremvärdet med det prognostiserade värdet.
- Ersätt avvikaren manuellt
PlanIQ är ett prognosverktyg tillgängligt för Anaplan-användare och är fördelaktigt för dem som vill utöka sina planeringsbehov med kraften hos AI/ML . Innan du börjar med PlanIQ, tänk på varför, hur och när – om du behöver hjälp – prata med våra Anaplan-experter så kan vi guida dig genom resan!