自備 ML：關於機器學習模型匯入

只要利用「自備 ML」，EPM 管理員即可匯入已受完整訓練的「機器學習」(ML) 模型，並將該模型部署到 Planning 應用程式中。然後，計畫人員可以利用功能完全，採用進階預測模型技術的 ML 式預測功能，產生更準確的預測結果。

資料科學家會收集並準備與業務問題相關的歷史資料，然後訓練演算法，並使用第三方工具來產生 PMML 檔案 (預測模型標記語言，用來呈現預測模型的標準語言)。這些預測分析模型和機器學習模型會使用統計技術或 ML 演算法，找出隱藏在大量歷史資料中的模式。而預測分析模型會使用在訓練時得到的知識，預測新資料中是否有已知的模式。

然後，EPM 管理員可以匯入並設定已受完整訓練的 ML 模型，而該模型會產生兩個 Groovy 規則。管理員可以將該規則附加到表單或儀表板上，或是排定工作來定期產生預測結果。這將機器學習的優勢及資料科學的威力，交到商務使用者的手中，用來增強規劃及預算編列的處理程序，進而做出更好的業務決策。

例如，您可以利用關鍵動因 (例如，平均售價、計畫在促銷和廣告方面的花費、過去的數量，以及預測的產業量)，來預測實體的產品量。

您可以匯入 ML 模型，並使用該模型來預測其他財務使用案例中的數值，例如：

  • 商業促銷對銷售提升效果的影響
  • 推動更佳 ROMI 的行銷組合模型化
  • 內部與外部動因對收入預測的影響
  • 獲得更佳現金部位的預測性現金預測

步驟簡介

必備條件：資料科學家會在資料科學工具 (任何第三方工具或 Oracle Data Science Cloud) 中建立並訓練 ML 模型，然後將該模型儲存為 PMML 檔案。

接下來，EPM 管理員會讓該模型開始運作，以便從已受訓練的模型獲得商業價值：

  1. 管理員會將採用 PMML 格式的 ML 模型匯入 Planning 應用程式，並定義輸入變數和目標變數如何對映至 Planning 應用程式中的維度成員或儲存格值。此步驟會產生可將 ML 模型連接至 Planning 應用程式的自動 Groovy 規則。系統會為每個 ML 模型定義產生兩個 Groovy 規則：一個規則用來建立與表單或儀表板之間的關聯，讓使用者可以視需要進行預測；另一個規則可用來在排定的工作中產生大量預測，以供大量處理。請參閱匯入 ML 模型。

  2. 管理員會在 Planning 應用程式中部署 ML 模型，方法是建立 Groovy 規則與相關動作功能表、表單或儀表板之間的關聯。請參閱將 ML 模型部署給計畫人員。管理員也可以建立工作，以便執行批次處理程序中的 Groovy 規則。
  3. 計畫人員利用表單中採用 ML 技術的商業規則產生預測值，這些值會儲存在表單上。計畫人員可以使用產生的預測來執行模擬分析，或是修改表單上的預測值。計畫人員憑藉自己的專業知識和判斷力來新增值，然後完成預測。

  4. 此為反覆進行的處理程序。當計畫人員根據 ML 模型來進行預測時，管理員可以測量該模型的效能，還可與資料科學家合作，在必要時更新或取代 ML 模型。然後，管理員會重新匯入並部署已重新訓練過的模型。

    當您重新匯入已重新訓練過的 ML 模型時，系統會重新產生 Groovy 規則。

影片

您的目標 觀看本影片
此簡介影片向您介紹何謂「自備 ML」(機器學習)，EPM 管理員可以在其中匯入已受完整訓練的「機器學習」(ML) 模型，並將該模型部署到 Planning 應用程式中。然後，計畫人員可以利用功能完全，採用進階預測模型技術的 ML 式預測功能，產生更準確的預測結果。 影片 png 概觀：自備機器學習 (ML)

瞭解如何為「自備機器學習」設定 ML 模型匯入。您將已完整訓練的 ML 模型匯入至 Planning 中。依照精靈中的步驟來對應、分析及測試該模型。儲存模型之後，便會建立兩個 Groovy 規則。若要完成整合程序，請參閱將 ML 模型部署至 Planning 的相關影片。

 影片 png設定機器學習 (ML) 模型匯入

瞭解如何將 ML 模型部署至 Planning。設定「ML 模型匯入」之後，您要使用 Groovy 規則 (從設定的 ML 模型產生的) 建立「動作功能表」，以便將 PMML 檔案整合至您的應用程式。然後將該「動作功能表」與表單建立關聯。當計畫人員從表單執行規則時，規則就會傳回一組預測值。

 影片 png

將機器學習 (ML) 模型部署至 Planning