Bring Your Own ML: Informationen zum Modellimport mit maschinellem Lernen

Mit "Bring Your Own ML" können EPM-Administratoren ein vollständig trainiertes Modell für maschinelles Lernen (ML) importieren und für eine Planning-Anwendung bereitstellen. Planer können dann eine stabile, ML-basierte Prognose nutzen, bei der fortschrittliche Techniken für die Vorhersagemodellierung zum Einsatz kommen, um exaktere Prognosen zu erstellen.

Datenwissenschaftler sammeln historische Daten in Bezug auf ein Geschäftsproblem, bereiten diese vor, trainieren den Algorithmus und erzeugen mit einem Drittanbietertool eine PMML-Datei (Predictive Model Markup Language, eine Standardsprache zum Abbilden von Prognosemodellen). Diese Analysemodelle für Prognosen und Modelle für maschinelles Lernen verwenden statistische Verfahren oder ML-Algorithmen, um Muster zu erlernen, die in umfangreichen historischen Daten verborgen sind. Analysemodelle für Prognosen nutzen das beim Training erworbene Wissen, um das Vorhandensein bekannter Muster in neuen Daten vorherzusagen.

EPM-Administratoren können dann das vollständig trainierte ML-Modell, mit dem zwei Groovy-Regeln generiert werden, importieren und konfigurieren. Administratoren hängen die Regel an ein Formular oder ein Dashboard an oder planen einen Job ein, um regelmäßig Ergebnisse für Prognosen zu erstellen. Dadurch verlagern sich die Vorteile von maschinellem Lernen und leistungsstarker Data Science zu den Geschäftsbenutzern, die so den Planungs- und Budgetierungsprozess erweitern und bessere Geschäftsentscheidungen treffen können.

Beispiel: Sie können das Produktvolumen für eine Entity mit Schlüsselfaktoren wie dem durchschnittlichen Verkaufspreis, den geplanten Ausgaben für Promotions und Werbung, historischem Volumen und geschätztem Branchenvolumen vorhersagen.

Sie können ML-Modelle importieren und damit numerische Werte in anderen Finanzanwendungsfällen vorhersagen. Beispiele:

Auswirkungen einer Händlerpromotion auf Verkaufsanstiege
Marketing-Mischmodellierung für besseren ROMI
Auswirkungen interner und externer Faktoren auf Umsatzprognosen
Geldmittelprognosen für bessere liquide Mittel

Übersicht über die Schritte

Voraussetzung: Datenwissenschaftler erstellen und trainieren das ML-Modell in einem Data Science-Tool (beliebiges Drittanbietertool oder Oracle Data Science Cloud) und speichern es als PMML-Datei.

Anschließend nehmen EPM-Administratoren das Modell in Betrieb, um aus dem trainierten Modell einen Geschäftswert zu generieren:

Administratoren importieren das ML-Modell im PMML-Format in eine Planning-Anwendung und definieren, wie die Eingabevariablen und die Zielvariable den Dimensionselementen oder Zellenwerten in der Planning-Anwendung zugeordnet werden. In diesem Schritt werden automatische Groovy-Regeln generiert, die eine Verbindung zum ML-Modell in der Planning-Anwendung herstellen. Für jede ML-Modelldefinition werden zwei Groovy-Regeln generiert: eine Regel für die Verknüpfung mit einem Formular oder Dashboard, damit Benutzer Vorhersagen nach Bedarf erstellen können, und eine andere zum Erzeugen von Vorhersagen in großem Maßstab in einem geplanten Job für die Massenverarbeitung. Informationen hierzu finden Sie unter ML-Modelle importieren.
Administratoren stellen das ML-Modell in einer Planning-Anwendung bereit, indem sie die Groovy-Regel mit relevanten Aktionsmenüs, Formularen oder Dashboards verknüpfen. Informationen hierzu finden Sie unter ML-Modelle für Planer bereitstellen. Administratoren können auch einen Job erstellen, um die Groovy-Regel in einem Batchprozess auszuführen.
Planer nutzen Geschäftsregeln mit ML-Unterstützung in Formularen, um Prognosewerte zu erzeugen, die im Formular gespeichert werden. Planer können mit den generierten Prognosen Was-wäre-wenn-Analysen durchführen oder Prognosewerte im Formular ändern. Planer schaffen mit ihrem Fachwissen und ihren Kompetenzen einen Mehrwert und schließen dann die Prognose ab.
Dies ist ein iterativer Prozess. Wenn Planer Vorhersagen auf der Grundlage des ML-Modells treffen, können Administratoren die Performance des Modells messen und gemeinsam mit Data Scientists das ML-Modell bei Bedarf aktualisieren oder ersetzen. Anschließend können die Administratoren das neu trainierte ML-Modell wieder importieren und bereitstellen.

Wenn Sie das neu trainierte ML-Modell erneut importieren, werden die Groovy-Regeln erneut generiert.

Videos

Ihr Ziel	Video
In dieser Übersicht wird das Konzept "Bring Your Own ML" (maschinelles Lernen) vorgestellt. Dabei können EPM-Administratoren ein vollständig trainiertes ML-Modell importieren und für eine Planning-Anwendung bereitstellen. Planer können dann eine stabile, ML-basierte Prognose nutzen, bei der fortschrittliche Techniken für die Vorhersagemodellierung zum Einsatz kommen, um exaktere Prognosen zu erstellen.	Überblick: Bring Your Own Machine Learning (ML)
Sie erfahren, wie Sie den ML-Modellimport für Bring Your Own Machine Learning konfigurieren. Importieren Sie ein vollständig trainiertes ML-Modell in Planning. Sie führen die Schritte in einem Assistenten aus, um das Modell zuzuordnen, zu analysieren und zu testen. Nach dem Speichern des Modells werden zwei Groovy-Regeln erstellt. Um den Integrationsprozess abzuschließen, sehen Sie sich das zugehörige Video zum Bereitstellen eines ML-Modells in Planning an.	Import von ML-Modellen konfigurieren
Erfahren Sie, wie Sie ein ML-Modell in Planning bereitstellen. Integrieren Sie nach dem Konfigurieren des ML-Modellimports die PMML-Datei in Ihre Anwendung. Erstellen Sie dazu ein Aktionsmenü mit der aus dem konfigurierten ML-Modell generierten Groovy-Regel. Ordnen Sie anschließend dem Aktionsmenü ein Formular zu. Wenn Planer die Regel über das Formular ausführen, gibt die Regel die vorhergesagten Werte zurück.	Modelle mit maschinellem Lernen (ML) in Planning bereitstellen