Easy ML Forecasting in Microsoft Fabric - Prophet Framework Tutorial

Summary

In diesem Video wird gezeigt, wie man ohne tiefgehende Data-Science-Kenntnisse mit Microsoft Fabric und dem offenen Machine-Learning-Framework Prophet eine Cashflow-Prognose erstellen kann. Der Prozess umfasst das Erstellen von Dummy-Daten, das Vorbereiten der Daten für Prophet, das Trainieren des Modells und das Erstellen von Vorhersagen. Im Vergleich zu herkömmlichen Excel-Methoden wird die Genauigkeit der Prognosen verbessert, indem saisonale Muster und Wachstumsfaktoren berücksichtigt werden. Am Ende wird die Prognose in eine Lakehouse-Datenbank gespeichert und für weitergehende Analysen genutzt.

Takeaways

• 😀 Profit ist ein Open-Source-Framework für maschinelles Lernen, das von Meta entwickelt wurde und zur Cashflow-Prognose verwendet werden kann.
• 😀 Im Microsoft Fabric müssen Sie zuerst das Profit-Paket installieren, da es nicht standardmäßig enthalten ist.
• 😀 Zur Vorbereitung der Daten für das Profit-Modell müssen Sie eine Datenstruktur mit zwei Spalten erstellen: 'ds' für das Datum und 'y' für den Prognosewert (z. B. Sammlungsbeträge).
• 😀 Das Modell von Profit unterstützt verschiedene Granularitäten, einschließlich täglicher, wöchentlicher, monatlicher und vierteljährlicher Daten.
• 😀 Die Daten müssen möglicherweise von Zeitzonen befreit werden, da Profit Datumswerte ohne Zeitzoneninformationen erwartet.
• 😀 Die grundlegende Prognose mit den Standardparametern von Profit liefert bereits brauchbare Ergebnisse, die jedoch mit benutzerdefinierten Parametern weiter optimiert werden können.
• 😀 Wichtige Parameter zur Feinabstimmung des Modells sind der 'Change Point Prior Scale', der bestimmt, wie schnell das Modell auf Trendänderungen reagiert, und der 'Change Point Range', der den Datenbereich festlegt, den das Modell für Prognosen verwendet.
• 😀 Um die Genauigkeit der Prognose zu verbessern, können Feiertage und spezielle Ereignisse, wie z. B. Produkteinführungen, als Regressoren in das Modell aufgenommen werden.
• 😀 Nachdem das Modell trainiert wurde, können zukünftige Vorhersagen für bis zu 12 Monate erstellt werden, wobei auch Unsicherheitsbänder (positive und negative Szenarien) angezeigt werden.
• 😀 Die prognostizierten Daten können in einem Lakehouse gespeichert und später in PowerBI für weiterführende Visualisierungen verwendet werden.
• 😀 Das Modell kann automatisch validiert und optimiert werden, indem verschiedene Parameter getestet werden, um die besten Werte für die Prognosegenauigkeit zu finden. Eine Fehlerquote von weniger als 5 % gilt als sehr gut.

Q & A

Was ist Profit und wie hilft es beim Cashflow-Prognosemodell?

Profit ist ein Open-Source-Maschinenlern-Framework von Meta, das speziell für Prognosen entwickelt wurde. Es hilft dabei, zukünftige Werte wie den Cashflow zu schätzen, indem es historische Daten analysiert und saisonale sowie andere Muster erkennt.

Warum ist es notwendig, Profit zu installieren, bevor man mit dem Modell arbeitet?

Profit ist nicht Teil des Standardpakets in Microsoft Fabric, weshalb es zuerst installiert werden muss, um es in einem Notebook für Prognosen zu verwenden.

Welche Daten werden im Beispiel zur Cashflow-Prognose verwendet?

Im Beispiel werden Dummy-Daten für die Forderungen aus Lieferungen und Leistungen (Accounts Receivable, AR) verwendet. Diese Daten decken einen Zeitraum von 2020 bis Ende 2024 ab und werden für die Prognose der zukünftigen Zahlungen verwendet.

Warum ist die Aggregation der Daten auf monatlicher Ebene wichtig?

Die Aggregation auf monatlicher Ebene wird für eine strategische Sichtweise verwendet, da Unternehmen oft eine monatliche Übersicht bevorzugen, um saisonale Schwankungen und langfristige Trends besser zu verstehen.

Welche saisonalen Faktoren beeinflussen die AR-Daten in diesem Beispiel?

Die AR-Daten zeigen saisonale Schwankungen, wie beispielsweise einen Anstieg der Zahlungen zum Ende jedes Quartals und insbesondere am Jahresende, wenn die Mitarbeiter ihre Ziele erreichen möchten und Unternehmen ihre Bücher abschließen.

Welche Parameter sind am wichtigsten, um das Modell für Cashflow-Prognosen zu optimieren?

Die wichtigsten Parameter sind der 'Change Point Prior Scale', der steuert, wie schnell das Modell auf Änderungen in den Daten reagiert, und der 'Change Point Range', der bestimmt, wie viel historische Daten für die Prognose berücksichtigt werden. Diese Parameter sind entscheidend, um das Modell an die spezifischen Bedürfnisse der Daten anzupassen.

Wie kann man das Modell weiter anpassen, um genauere Vorhersagen zu erzielen?

Das Modell kann durch das Hinzufügen von Feiertagen oder besonderen Ereignissen wie Produkteinführungen angepasst werden. Diese zusätzlichen Daten helfen dabei, die Prognose genauer zu machen, da solche Ereignisse oft einen signifikanten Einfluss auf den Cashflow haben.

Wie wird die Unsicherheit in den Prognosen dargestellt?

Profit stellt Unsicherheit durch sogenannte 'Uncertainty Bands' dar, die obere und untere Grenzwerte für die Prognose angeben. Diese Bänder zeigen an, wie genau die Prognose sein könnte, sowohl im positiven als auch im negativen Szenario.

Warum sollte man das Modell in verschiedenen Iterationen testen und anpassen?

Durch das Testen und Anpassen des Modells in mehreren Iterationen mit unterschiedlichen Parametern kann man die genaueste Modellkonfiguration finden. Die Modellparameter sollten auf der Grundlage von Testläufen optimiert werden, um eine möglichst präzise Prognose zu gewährleisten.

Wie genau waren die Vorhersagen in diesem Beispiel und wie wurden sie bewertet?

Die Vorhersagen waren im Allgemeinen sehr genau, mit einer Fehlerquote von nur 3% im besten Fall. Ein Fehler von unter 5% gilt als sehr gut für Prognosen im Bereich von Millionenbeträgen. Die Fehleranalyse zeigte, dass die durchschnittliche Abweichung nur 50.000 USD betrug.