Prognozuj zmiany praktyk biznesowych dotyczących emisji z użyciem analizy scenariuszowej.

Analiza warunkowa to niestandardowy model sztucznej inteligencji, który prognozuje wpływ kilku zmian w praktyce biznesowej na ślad emisji dwutlenku węgla w organizacji. Pomaga to w tworzeniu bardziej świadomych strategii redukcji emisji dwutlenku węgla i przyspieszaniu ogólnych celów zrównoważonego rozwoju. Można na przykład przewidywać wpływ przełączenia się na odnawialne źródła energii, takie jak energia wiatrowa lub energia słoneczna, albo zmianę dostawców poprzez czynniki specyficzne dla poszczególnych dostawców.

W tym artykule przedstawiono sposób tworzenia prognozy analizy co-jeżeli. Zapewnia również rozważania, szczegóły i informacje, które pomagają w pełni wykorzystać prognozę.

Istotne zagadnienia

Podczas tworzenia scenariusza prognozy należy pamiętać o tych zagadnieniach.

• Można zastosować od jednej do trzech strategii w ramach jednego scenariusza, używając pola Liczba scenariuszy.

• Pole Zmienne to wybór wielokrotny. Wybierz dane lub ilości, których zmianę chcesz prognozować. Na przykład można zmodyfikować opcje Koszt, Odległość i Ilość towaru transportowanego jako część swojego scenariusza 4. Transport i dystrybucja w górę.

• W każdym scenariuszu są wymagane następujące pola:

  • Name
  • Jednostka organizacyjna
  • Typ danych
  • Model obliczeniowy
  • Wersja AR
  • Liczba strategii
  • Zmienne

• Placówka nie jest wymagana, ale można jej użyć do dalszego zawężenia danych prognozy.

Tworzenie prognozy analizy co-jeżeli

Aby rozpocząć analizę co-jeżeli, wykonaj następujące kroki:

1. W okienku nawigacji wybierz opcję Analiza warunkowa.

2. Na stronie Analiza warunkowa wybierz Nowy scenariusz.

3. W okienku Nowy scenariusz warunkowy wprowadź następujące informacje:

   • Name
   • Jednostka organizacyjna
   • Typ danych
   • Model obliczeniowy
   • Wersja AR

4. Wprowadź liczbę strategii, które chcesz warstwować za pomocą pola Liczba strategii .

5. Wybierz zmienne, których zmianę chcesz prognozować jako część swojej strategii lub strategii. Wprowadź wartości historyczne tych zmiennych, które reprezentują bieżącą strategię używaną przez organizację. Jeśli na przykład prognozujesz wpływ zmiany floty pojazdów spalinowych, wprowadź bieżący typ pojazdu i paliwa w obszarze Bieżąca strategia.

1. Po zakończeniu formularza wybierz opcję Zapisz i zamknij.

2. Wybierz utworzony scenariusz, a następnie wybierz opcję Uruchom scenariusz. Po zakończeniu zadania scenariusza otrzymasz powiadomienie w aplikacji zawierające powiadomienie o wynikach z hiperłączem, które prowadzi do nich. Na tej stronie wyświetlane są szczegóły scenariusza i wykres wizualizujący dane historyczne oraz związane z nimi prognozy strategii.

Obsługiwane scenariusze

Każdy scenariusz oferuje różne poziomy dostosowywania. Dostosuj prognozę do danych i potrzeb organizacji przy użyciu zmiennych. W poniższej tabeli przedstawiono wszystkie dostępne zmienne dla każdego typu danych.

Aspekty prognozy

• Istniejąca strategia: istniejąca prognoza strategii przedstawia przewidywane emisje, jeśli nie wprowadzisz żadnych zmian w bieżącym sposobie generowania emisji dla tej kategorii. Na przykład, jeśli prognozujesz wpływ przełączenia z węgla na biopaliwo dla konkretnego zakładu, istniejąca prognoza strategii przedstawia prognozowane emisje wynikające z dalszego używania węgla.

• Nowe strategie: Nowa prognoza strategii przedstawia przewidywane emisje, jeśli przejdziesz do nowej strategii biznesowej reprezentowanej przez scenariusz prognozy. Na przykład, jeśli prognozuje się wpływ przejścia z węgla na biopaliwa w konkretnej instalacji, nowa prognoza strategiczna przedstawia projektowane emisje przy przejściu na biopaliwa. Możesz eksplorować od jednej do trzech nowych strategii w zależności od sposobu konfigurowania scenariusza.

• Interwały przewidywania: interwały przewidywania reprezentują oszacowanie interwału, w którym przyszła obserwacja spada z pewnym prawdopodobieństwem (95% ufności), biorąc pod uwagę dane historyczne. Przedziały prognozy w zasadzie przedstawiają niepewność związaną z prognozą.

Niepowodzenia i komunikaty informacyjne dotyczące modelu

W tej sekcji opisano błędy lub problemy, które mogą wystąpić z prognozami.

Wprowadziliśmy pewne korekty w celu wygenerowania tej prognozy

• Przełączanie na metodę prognozowania rezerwowego: System stosuje metodę prognozowania rezerwowego, jeśli liczba historycznych punktów danych lub jakość danych nie są wystarczająco dobre, aby dopasować modele (S)ARIMA lub ETS. W dwóch konkretnych przypadkach wymagane jest przejście na metodologię zastępczą.

  • Zbyt wiele brakujących punktów danych w stosunkowo równomiernie rozłożonej serii danych historycznych.
  • Nieregularnie rozmieszczone dane historyczne

• Sprawdzenie jednolitych danych i dostosowanie częstotliwości: przed prognozowaniem dane są agregowane na poziomie miesięcznym w celu wygenerowania miesięcznego planu bazowego i prognozy typu co-jeżeli. Jeśli jednak agregacja nie przedstawia stosunkowo jednolitych cykli miesięcznych, system podejmie dalszą agregację do dwóch, trzech, czterech lub sześciu miesięcy. Jeśli w serii nie można osiągnąć względnej jednolitości w ramach tych dostosowań, to do prognozowania jest używany prostszy model rezerwowy.

Nie można wygenerować prognozy

• Dane historyczne są zbyt rozrzedłe: aby zapewnić pomyślną prognozę, system wymaga, aby dane historyczne miały częstotliwość co najmniej jednego punktu danych co sześć miesięcy. Jeśli dane są bardziej rzadkie niż ten przedział, prognoza nie powiedzie się.

• Brak lub zbyt mała liczba historycznych punktów danych: Modele prognoz typu 'co-jeśli' wymagają co najmniej sześciu punktów danych (po zakończeniu korekty częstotliwości opisanej wcześniej w sprawdzeniu jednolitości danych i korekcie częstotliwości) do pomyślnego wygenerowania prognozy.

Obsługiwane modele prognozowania serii czasowych

Dynamics 365 Sustainability obsługuje jednozmienne modele prognozowania szeregów czasowych (Seasonal) Auto Regressive Integrated Moving Average ((S)ARIMA) oraz Error Trend Seasonality (ETS) do generowania prognoz dotyczących danych aktywności. Ramy wyboru modelu wybierają najlepszy model prognozowania na podstawie danych dotyczących aktywności historycznej. Wygenerowane prognozy na poziomie działań przechodzą przez model obliczeniowy, aby przekształcić je w prognozy na poziomie emisji.

ARIMA i ETS to najczęściej używane metody prognozowania szeregów czasowych. Modele ETS bazują na opisach trendów i sezonowości w danych, podczas gdy modele ARIMA opisują autokorelacje w danych. Aby dowiedzieć się więcej o tych modelach, zobacz Rozdział 7 (bezproblemowe działanie) i Rozdział 8 (modele ARIMA) książki podręcznika Prognozowanie: Zasady i praktyk.

W niektórych przypadkach, na przykład gdy dane historyczne są zbyt małe lub wysoce nieregularne, system wybiera prosty model rezerwowy zamiast ARIMA lub ETS.

Informacje pokrewne

• Pulpit nawigacyjny z przeglądem emisji
• Głęboka analiza