通过自带 ML,EPM 管理员可以导入经过全面训练的机器学习 (Machine Learning, ML) 模型并将其部署到 Planning 应用程序。然后,规划者可以利用基于 ML 和高级预测建模技术的强大预测功能来生成更加准确的预测。
数据科学家收集并准备与业务问题有关的历史数据,训练算法并使用第三方工具生成 PMML 文件(Predictive Model Markup Language,预测模型标记语言,用于表示预测模型的一种标准语言)。这些预测分析模型和机器学习模型使用统计技术或 ML 算法来学习隐藏在大量历史数据中的模式。预测分析模型使用在训练期间获取的知识来预测新数据中是否存在已知模式。
EPM 管理员然后可以导入并配置经过全面训练的 ML 模型,这些模型将生成两个 Groovy 规则。管理员将规则附加到表单或仪表板,或者调度作业以定期生成预测结果。这使业务用户可以方便地利用机器学习的巨大优势和数据科学的强大力量,从而增强规划和预算流程并做出更加明智的业务决策。
例如,您可以使用主要动因(例如平均售价、计划用在促销和广告上的支出、历史销量和估计的行业销量)预测某个实体的产品销量。
您可以导入 ML 模型并使用它们预测其他财务用例中的数字值,例如:
步骤概述
先决条件:数据科学家在数据科学工具(任何第三方工具或 Oracle Data Science Cloud)中构建并训练 ML 模型并将其保存为 PMML 文件。
然后,EPM 管理员将模型投入使用,以便从经过训练的模型中获取业务价值:
管理员将 PMML 格式的 ML 模型导入 Planning 应用程序,并定义输入变量和目标变量如何映射到 Planning 应用程序中的维成员或单元格值。该步骤生成自动 Groovy 规则,这些规则将 ML 模型连接到 Planning 应用程序。每个 ML 模型定义生成两个 Groovy 规则:一个规则用于与表单或仪表板关联,从而使用户可以按需做出预测,另一规则用于在调度作业中生成大规模预测,以实现批量处理。请参阅“导入 ML 模型”。
这是一个迭代流程。在规划者基于 ML 模型做出预测时,管理员可以衡量模型的性能,并且可以与数据科学家一起根据需要更新或替换 ML 模型。然后,管理员重新导入并部署经过重新训练的 ML 模型。
当重新导入经过训练的 ML 模型时,将重新生成 Groovy 规则。
视频
目标 | 观看此视频 |
---|---|
此介绍视频向您介绍自带 ML(Machine Learning,机器学习),它允许 EPM 管理员导入经过全面训练的 ML 模型并将其部署到 Planning 应用程序。然后,规划者可以利用基于 ML 和高级预测建模技术的强大预测功能来生成更加准确的预测。 | ![]() |
了解如何为自带机器学习配置 ML 模型导入。您可以将经过全面训练的 ML 模型导入 Planning。您可以按照向导中的步骤映射、分析和测试模型。保存模型后,会创建两个 Groovy 规则。要完成集成进程,请参阅将 ML 模型部署到 Planning 的相关视频。 |
![]() |
了解如何将 ML 模型导入到 Planning。配置 ML 模型导入后,您可以创建包含 Groovy 规则(这些规则基于配置的 ML 模型生成)的操作菜单,以将 PMML 文件集成到应用程序。然后,将操作菜单与表单关联。当规划者运行表单中的规则时,规则将返回一组预测值。 |
![]() |