Trazer seu Próprio Aprendizado de Máquina: Sobre a Importação do Modelo de Aprendizado de Máquina

Com a funcionalidade de Trazer seu Próprio Aprendizado de Máquina, os administradores do EPM podem importar um modelo de Aprendizado de Máquina (ML) totalmente treinado e implantá-lo em um aplicativo do Planning. Os planejadores poderão, então, utilizar a previsão baseada em ML que usa técnicas avançadas de modelagem preditiva para gerar previsões mais precisas.

Os cientistas de dados coletam e preparam dados históricos relacionados a um problema de negócios, treinam o algoritmo e geram um arquivo PMML (Predictive Model Markup Language, uma linguagem padrão usada para representar modelos preditivos) utilizando uma ferramenta de terceiros. Esses modelos analíticos preditivos e modelos de aprendizado de máquina usam técnicas estatísticas ou algoritmos de ML para aprender padrões ocultos em grandes volumes de dados históricos. Modelos analíticos preditivos usam o conhecimento adquirido durante o treinamento para prever a existência de padrões conhecidos em dados novos.

Os administradores do EPM poderão, então, importar e configurar o modelo de ML totalmente treinado, o que gera duas regras Groovy. Os administradores conectam a regra a um formulário ou dashboard ou agendam um job para gerar resultados de predição em uma base regular. Isso coloca os benefícios do aprendizado de máquina e a capacidade da ciência de dados à disposição dos usuários de negócios, aprimorando o planejamento e a definição de orçamentos e proporcionando melhores decisões de negócios.

Por exemplo, você pode prever o volume de produtos de uma entidade, usando drivers-chave, como preço médio de vendas, gasto planejado em promoções e publicidade, volumes históricos e volumes estimados do setor.

Você pode importar Modelos de ML e usá-los para prever valores numéricos em outros casos de uso de finanças, por exemplo:

Impactos da promoção de vendas impacta o aumento das vendas
Modelagem de combinação de marketing para direcionar melhor o ROMI
Impactos dos drivers internos e externos nas previsões de receita
Previsão de caixa para melhor posição de caixa

Visão Geral das Etapas

Pré-requisito: os cientistas de dados criam e treinam o modelo de ML em uma ferramenta de ciência de dados (qualquer ferramenta de terceiros ou o Oracle Data Science Cloud) e salvam-no como arquivo PMML.

Em seguida, os administradores do EPM colocam o modelo em funcionamento para obter o valor comercial com base no modelo treinado:

Os administradores podem importar o modelo de ML em formato PMML para um aplicativo do Planning e definir como as variáveis de entrada e a variável de destino mapeiam para membros de dimensão ou valores de célula no aplicativo do Planning. Essa etapa gera regras Groovy automáticas que conectam o modelo de ML ao aplicativo do Planning. Duas regras Groovy são geradas para cada definição de modelo de ML: uma regra para associar a um formulário ou dashboard, que permite aos usuários fazerem previsões sob demanda, e outra para gerar previsões em escala em um job agendado para processamento em massa. Consulte Importação de um Modelo de ML.
Os administradores implantam o modelo de ML em um aplicativo do Planning associando a regra Groovy aos menus de ações, formulários ou dashboards relevantes. Consulte Implantação de um Modelo de ML para Planejadores. Os administradores também podem criar um job para executar a regra Groovy em um processo em lote.
Os planejadores usam as regras de negócios potencializadas por ML em formulários para gerar valores previstos, que são salvos no formulário. Os planejadores podem executar uma análise what-if usando as predições geradas ou podem modificar os valores previstos no formulário. Eles, então, adicionam um valor com seu expertise e julgamento e depois finalizam a previsão.
Esse é um processo iterativo. À medida que os planejadores fazem predições com base no modelo de ML, os administradores podem avaliar o desempenho do modelo e trabalhar com cientistas de dados para atualizar ou substituir o modelo de ML, conforme necessário. Em seguida, os administradores reimportam e implantam o modelo de ML treinado novamente.

Quando você reimporta o modelo de ML treinado novamente, as regras Groovy são geradas de novo.

Vídeos

Sua Meta	Assista
Essa visão geral apresenta você ao recurso Trazer seu Próprio Aprendizado de Máquina de Máquina, onde os Administradores do EPM podem importar um modelo de ML totalmente treinado e implantá-lo para um aplicativo do Planning. Os planejadores poderão, então, utilizar a previsão baseada em ML que usa técnicas avançadas de modelagem preditiva para gerar previsões mais precisas.	Visão Geral: Trazer seu Próprio ML (Aprendizado de Máquina)
Saiba como configurar a importação do modelo de ML para Trazer seu Próprio Aprendizado de Máquina. Você importa um modelo de ML totalmente treinado no Planning. Siga as etapas em um assistente para mapear, analisar e testar o modelo. Depois de salvar o modelo, duas regras Groovy são criadas. Para concluir o processo de integração, consulte o vídeo relacionado para implantar um modelo de ML no Planning.	Configuração da Importação do Modelo de ML (Aprendizado de Máquina)
Saiba como implantar um Modelo de ML no Planning. Depois de configurar a Importação do Modelo de ML, integre o arquivo PMML ao seu aplicativo criando um Menu Ação com a regra Groovy gerada do modelo de ML configurado. Em seguida, associe o Menu Ação a um formulário. Quando os planejadores executam a regra no formulário, ela retorna o conjunto de valores previstos.	Implantação de um Modelo de ML (Aprendizado de Máquina) no Planning