SAP Analytics Cloud（SAC）的预测功能旨在供业务分析师使用。这意味着他们在预测工作流程中得到指导，不需要具备预测技能。预测性输出以一种方便的方式显示，便于解释并包含在SAP Analytics云故事或规划中。你可能对我们的技术有疑问？这是一个对所提出预测的信任问题吗？这个博客的目的是解释Smart Predict是如何发现预测的。为什么它们是相关的！

在SAP Analytics Cloud中，当您创建新的预测场景时，有三种选择。

分类根据目标对总体进行排序。它产生一个新事件将发生的分数。例如，我的客户中谁会对我的营销活动做出积极的反应？

回归用于找出描述事件的变量之间的关系。对于每个新事件，您将获得目标变量值的估计值。例如，人工智能本科，你可以通过观察相似的房子来预测房价。

时间序列用于预测未来某一指标的演变。例如，应该提前生产多少产品？

这个博客是关于时间序列的。

我解释了时间序列预测问题的类型以及需要收集什么样的数据。然后，我将通过一个特定的用例来说明Smart Predict所使用的技术。

时间序列预测对于估计一个度量值的未来值非常有用，在这个度量值中，您可以使用时间维度来帮助您识别趋势。在进入细节之前，让我们看看Smart Predict的时间序列预测处理什么样的数据。下面是一些典型的问题：

如果现在问题的类型已经明确定义，那么让我们检查一下您拥有的数据类型是否可用于时间序列。有两个不同的方面：

这里有一些正确准备数据集的建议。

首先，问问你自己，我需要预测到未来多远？这是地平线。它是你将来要做的预测的数量。这个数字直接取决于历史数据的大小。5： 1是一个很好的比率来估计视界并得到具有相关置信区间的预测。这意味着，如果您有100个历史案例，您可以预测未来目标变量的20个值。当然，地平线的长度也取决于您的用例，您可以选择少于20个值。但如果你需要更多的，最好收集更多的历史案例

图1：信号和预测其在给定视界的演变

其次，你需要考虑预测的规模。如果您的历史数据是每月、每周、每天、每小时、每分钟甚至每秒钟捕获的，那么预测将以相同的时间单位生成。很明显，如果你每个月都记录数值，那么要求预测下一分钟的数值是没有意义的！相反的情况可能会出现：由于技术原因，如果传感器每分钟记录一次数据，但是每分钟与您的用例无关；那么您需要更高的时间单位，如小时。

第三，您应该考虑以您需要的时间单位对数据进行聚合。为此，必须定义聚合函数。此函数从每小时60分钟测得的60个值中计算一个小时值。它可以是第一个值、最后一个值、中间值或计算值（例如，平均值或更复杂的公式）。要记住的一个重要点是聚合的大小，因为大型聚合可能会隐藏信息，从而无法被发现。其结果是降低了预测的质量。但是，当有大量噪声时，适当的聚合可以平滑信号。现在已经没有秘密了，你需要测试和实验来选择最佳的聚合函数。

第四，你应该按时间顺序对历史数据集进行排序，并对其进行清理，使每个时间单位只对应于目标变量的一个值。请注意，Smart Predict会自动对数据进行排序。

在结束本节时，我不能不提及我上面提到的候选影响者。它们对于增加信号成分的检测非常有用。通常，云服务器哪个好，这些变量只有在您的业务领域中才有意义，因此有必要操纵您的数据来获取它们。以下是这些影响因素的例子：

产品的特定销售周期限时折扣月结日/季结日每月第一天/每月最后一天排名第1周的第1天

在分析信号的至少两个组成部分（趋势和周期将在下面解释）的过程中，对候选影响者有适用的限制：

我们将遵循一个用例来说明本节，使用一个带有Smart Predict的数据集来向您展示如何处理信号以提出预测。这个用例是关于一个公司的差旅成本和费用的，这个公司已经失去了控制，对损益分析和公司的财务业绩产生了负面影响。公司的目标是分析这些成本，了解在哪些方面可以降低成本，同时更好地预测成本，以避免超出预算。

过去收集的数据（见图2）是：

图2：差旅成本和费用用例数据集

所有电路板区域的信号图形视图如图3所示。但是，LOB的成员有不同的活动。这会影响航行次数，从而影响航行成本。如果可以区分和预测每个LOB的差旅和费用，网站服务器租用，那么从预算的角度来看，分析和预测将变得更细。

图3：数据集的信号

希望在使用SAC Smart Predict创建预测场景时，有一个选项（参见图4）允许我们按所选变量。

图4：分割数据集上的LOB值