--- sourceDocument: Analytics der Xanadu-Plattform sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/de-DE/xanadu/now-intelligence Release : - xanadu ft:locale : - de-DE ft:publication_title : - Analytics der Xanadu-Plattform ft:clusterId : - par bundleId : - par workflow : - Platform --- # Performance Analytics -- Prognosen zu Punktzahlen # Performance Analytics -- Prognosen zu Punktzahlen {#ariaid-title1} * Freigeben Version: Xanadu * * Aktualisiert 1. August 2024 * * ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 6 Minuten Lesedauer Performance Analytics Mit können Sie zukünftige Punktzahlen basierend auf vergangenem Verhalten vorhersagen. Sie können Punktzahlen für Zeitreihen-Widgets, Zeitreihendaten-Visualisierungen, KPI-Detailsund Analytics Hubvorhersagen . Prognosepunktzahlen werden als gepunktete Linie angezeigt. Prognosen werden auf der Registerkarte Vorhersage des Indikatordatensatzes eingerichtet. Die Anzahl der in der Prognose enthaltenen Datenpunkte hängt von der Häufigkeit des Indikators und der Anzahl der zu prognostizierenden Zeiträume ab, die für den Indikator konfiguriert sind. Ein Zeitraum ist eine festgelegte Anzahl von Punktzahlen basierend auf der Indikatorfrequenz. Unabhängig von den Einstellungen und der Prognosemethode werden maximal 2688 Prognosedatenpunkte generiert. **Zugehörige Tasks** * [Automatisierte Indikatoren erstellen](https://servicenow-prod.fluidtopics.net/ZARLybi1qpHngLCOGv11qA#t_CreateAnAutomatedIndicator "Verwenden Sie einen automatisierten Indikator, um die Leistung eines Geschäftsprozesses zu analysieren, der in einer ServiceNow-Tabelle aufgezeichnet wird. Wenn in Platform Analytics-Lösungkein geeigneter Indikator angegeben ist, erstellen Sie einen neuen.") ## Konfigurieren Sie Prognosen für einen Indikator {#ariaid-title2} Konfigurieren Sie im Datensatz eines automatisierten Indikators Prognosen, wie sie in den Widgets Analytics Hub, Performance Analytics und in Zeitreihendatenvisualisierungen angezeigt werden. ### Vorbereitungen Erforderliche Rolle: pa_power_user, pa_admin, admin ### Prozedur 1. Navigieren zu Performance AnalyticsIndikatorenAutomatisierte Indikatorenan. 2. Öffnen Sie den automatisierten Indikator, für den Sie Prognosen konfigurieren möchten. 3. Navigieren Sie zur Registerkarte Prognose. 4. Legen Sie die folgenden Werte fest: {#configure-forecasts-indicator__table_h5s_nhr_5xb__entry__2} | Feld | Beschreibung | |-|-| | Angewandte Prognosemethode | Die statistische Methode, die das System verwendet, um Werte für diesen Indikator zu prognostizieren. Der Standardwert ist „Autom.", was bedeutet, dass das System eine Methode auswählt, die am besten zu den Daten passt. Weitere Informationen finden Sie unter [Vorhersagemethode auswählen](https://servicenow-prod.fluidtopics.net/5NAohaWlrv8d86QhpA4snw#forecast-methods "Wenn Sie ein Statistikexperte sind, können Sie manuell eine Prognosemethode auswählen. Standardmäßig wählt die Instanz automatisch die beste Methode für Sie aus, je nach Eignung der Methode."). | | Prognosezeiträume | Anzahl der Datenzeiträume in der Zukunft, für die Punktzahlen prognostiziert werden sollen. Hinweis: Die Länge der Zeiträume hängt von der Häufigkeit des Indikators ab. Weitere Informationen finden Sie unter [Indikator-Prognosezeiträume](https://servicenow-prod.fluidtopics.net/5NAohaWlrv8d86QhpA4snw#forecast-periods "Abhängig von der Häufigkeit der Punktzahl wird eine andere Periodenlänge ausgewählt. Konsultieren Sie die Tabelle, um die Länge des Zeitraums herauszufinden, der für Ihre Serie verwendet wird."). | | Unterer Prognosegrenzwert | Der niedrigste aussagekräftige Wert einer Prognosepunktzahl. Wenn eine niedrigere Punktzahl als dieser Wert prognostiziert wird, wird stattdessen dieser Wert angezeigt. | | Oberer Prognosegrenzwert | Der höchste aussagekräftige Wert einer Prognosepunktzahl. Wenn eine höhere Punktzahl als dieser Wert prognostiziert wird, wird stattdessen dieser Wert angezeigt. | [ ] {#configure-forecasts-indicator__table_h5s_nhr_5xb} 5. Wählen Sie aus, auf welchen Punktzahlen die Prognose basieren soll. | Option | Bezeichnung | | Alle Punktzahlen | Alle Punktzahlen, die für diesen Indikator gesammelt wurden | | Vorherige Zeiträume | Die Anzahl der Datenzeiträume vor der Gegenwart, auf denen Prognosen basieren sollen. Diese Datenzeiträume haben die gleiche Länge wie die in Prognosezeiträume. Wenn Sie Vorherige Zeiträume auswählen, geben Sie im Feld Zeiträume auch die Anzahl der Zeiträume an. | | Fester Start | Alle Punktzahlen, die nach einem Startdatum gesammelt wurden. Wenn Sie Fester Start auswählen, geben Sie auch das Startdatuman. | |-|-| {#configure-forecasts-indicator__choicetable_jhq_bkr_5xb} ## Vorhersagemethode auswählen {#ariaid-title3} Wenn Sie ein Statistikexperte sind, können Sie manuell eine Prognosemethode auswählen. Standardmäßig wählt die Instanz automatisch die beste Methode für Sie aus, je nach Eignung der Methode. Um die am besten passende Vorhersagemethode zu bestimmen, generiert die Instanz Vorhersagen mit jeder Vorhersagemethode mit Ihren Verlaufsdaten. Die Instanz vergleicht diese Vorhersagen dann mit den neuesten Daten, je nachdem, wie weit Sie vorhersagen möchten. Die Instanz führt diese Auswertung jedes Mal aus, wenn die Vorhersage angezeigt wird. Daher kann das Sammeln zusätzlicher Punktzahlen oder das Ändern des Prognosezeitraums die verwendete Prognosemethode ändern. Wenn Sie beispielsweise einen Indikator mit einer täglichen Häufigkeit für die Prognose im Voraus für zwei Zeiträume konfigurieren, wendet die Instanz jede Prognosemethode auf Ihre Verlaufsdaten an, die älter als zwei Wochen sind. Dann vergleicht die Instanz diese Vorhersagen mit den Daten der letzten zwei Wochen. Die Vorhersage, die den Daten der letzten zwei Wochen am nächsten kommt, wird dann unter Verwendung des gesamten Datensatzes neu berechnet. Die Instanz zeigt die Ergebnisse dieser endgültigen Berechnung in Analytics Hub oder in KPI-Detailsan. ### Prognosemethoden {#forecast-methods__section_fsd_pzh_mz} Performance Analytics kann die folgenden Standardvorhersagemethoden verwenden. {#forecast-methods__table_vhn_pmr_5xb__entry__2} | Methode | Beschreibung | |-|-| | Linear | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen, wobei Konstante und Trend als erklärende Variablen verwendet werden. | | Saisonal | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen unter Verwendung von saisonalen Dummies als erklärende Variablen. Eine „Saison" ist für diese Analyse ein Zeitraum. | | Saisonaler Trend | Wie saisonal, enthält jedoch einen Trend als erklärende Variable. | | Seasonal Trend Loess (STL) | Generiert eine saisonale Vorhersage basierend auf einer Best-Match-Funktion. Diese Methode passt einen Trend, eine Saison und einen zufälligen Rauschprozess an die Daten an, indem ein exponentiell gewichteter Ansatz des gleitenden Durchschnitts verwendet wird. Die Prognose basiert auf dem vollständigen Datensatz, wobei neueren Beobachtungen mehr Gewichtung zugewiesen wird Eine „Saison" ist für diese Analyse ein Zeitraum. | | Zufällige Gesamtstruktur (RF) | Erstellt eine Kombination von Entscheidungsstrukturen, bei der die von diesen Entscheidungsbäumen erzeugten Vorhersagen gemittelt werden, um eine einzige Vorhersage zu erhalten. Die Zufälligkeit ergibt sich aus jeder Struktur, die aus einer zufälligen Teilmenge der verfügbaren Daten und Eingaben erstellt wird. Weitere Informationen zur Methode der zufälligen Gesamtstruktur finden Sie in diesem [mittleren Artikel](https://williamkoehrsen.medium.com/random-forest-simple-explanation-377895a60d2d). | | Autoregressiv (AR) | Das autoregressive Modell (AR) prognostiziert zukünftige Werte eines Indikators mithilfe einer linearen Kombination aus einem Trend, saisonalen Dummies und vergangenen Werten. Wie das RF-Modell (RandomForest) sucht das AR-Modell nach der besten Anzahl von Verzögerungen. Das AR-Modell bezieht sich jedoch linear auf aktuelle Werte zu vergangenen Werten, während das RF-Modell nicht linear ist. | [ ] {#forecast-methods__table_vhn_pmr_5xb} ## Indikator-Prognosezeiträume {#ariaid-title4} Abhängig von der Häufigkeit der Punktzahl wird eine andere Periodenlänge ausgewählt. Konsultieren Sie die Tabelle, um die Länge des Zeitraums herauszufinden, der für Ihre Serie verwendet wird. {#forecast-periods__table_un2_vch_dt__entry__3} | Häufigkeit der Punktzahlen | Anzahl der Datenpunkte pro Zeitraum | Gesamte Periodenlänge | |-|-|-| | Täglich | 7 | 1 Woche | | Wöchentlich | 13 | 1 Quartal | | Zweiwöchentlich | 6 | 1 Quartal | | Alle vier Wochen | 13 | 1 Jahr | | Monatlich | 12 | 1 Jahr | | Zweimonatlich | 6 | 1 Jahr | | Vierteljährlich | 4 | 1 Jahr | | Pro Geschäftsquartal | 4 | 1 Jahr | | Halbjährlich | 2 | 1 Jahr | | Jährlich | 4 | 4 Jahre | | Pro Geschäftsjahr | 4 | 4 Jahre | [ ] {#forecast-periods__table_un2_vch_dt} ## Prognosen und Ziele {#ariaid-title5} Wenn die Prognose für einen Indikator aktiviert ist und ein globales Ziel definiert ist, wird in der Prognose angezeigt, wann das Ziel erreicht wird. Darüber hinaus sendet die Instanz 14 Tage vor dem erwarteten Erreichen des Ziels eine Benachrichtigung. Sie können ändern, wie viele Tage im Voraus die Benachrichtigung gesendet wird, indem Sie die Eigenschaft pa.job.forecast.target.days_to_check festlegen. Diese Funktion ist nur für globale Ziele verfügbar. Schwellenwerte und persönliche Ziele interagieren nicht mit Prognosen. **Zugehörige Konzepte** * [Performance Analytics Ziele und Schwellenwerte](https://servicenow-prod.fluidtopics.net/vUvHXOobAJAp86eabi7C1A "Mit Zielen und Schwellenwerten können Sie wichtige Punkte in Ihren Daten definieren und Benachrichtigungen bereitstellen, wenn eine Punktzahl einen bestimmten Punkt erreicht.") ## Prognose mit Zeitreihenaggregationen erstellen {#ariaid-title6} Wenn Sie eine Zeitreihenaggregation auf einen Indikator anwenden, ändert sich die Länge des Prognosezeitraums. Die Änderung hängt vom Typ der Zeitreihe ab. {#forecasting-time-aggregation__table_pzt_p5w_n4b__entry__3} | Zeitaggregat | Auswirkung auf Prognosezeitraum | Beispiel | |-|-|-| | Wird ausgeführt | Die Anzahl der Punkte im Zeitraum entspricht dem Feldwert „Bereich". | Bei einer laufenden Summe von 7 Tagen hat der Prognosezeitraum 7 Datenpunkte. Für eine laufende Summe von 28 Tagen hat er 28 Datenpunkte. | | Nach Zeitraum | Der ausgewählte Zeitraum wird so behandelt, als wäre er die Indikatorhäufigkeit. | Eine Zeitzusammenfassung vom Typ „Pro Woche", die auf einen täglichen Indikator angewendet wird, hat 13 Datenpunkte pro Prognosezeitraum, der ein Quartal lang ist. Dieser Prognosezeitraum ist derselbe wie für einen wöchentlichen Indikator ohne Zeitaggregat. | | Bis Datum | Die Periodenlänge entspricht der Zeitspanne der Zusammenfassung. Die Anzahl der Datenpunkte pro Zeitraum ist ein Produkt dieser Zeitspanne und der Indikatorhäufigkeit. | Siehe Rest dieses Abschnitts. | [Tabelle : 1. Auswirkungen der Zeitreihenaggregation auf Prognosezeiträume] {#forecasting-time-aggregation__table_pzt_p5w_n4b} Für einen Indikator mit der Häufigkeit Täglich haben Sie die folgende Anzahl von Datenpunkten pro Zeitraum für Zusammenfassungen vom Typ „Bis heute":{#forecasting-time-aggregation__table_ox4_b1q_l4b__entry__4} | Woche bis heute | Monat bis heute | Quartal bis heute | Jahr bis heute | |-|-|-|-| | 7 | 30 | 91 | 365 | [Tabelle : 2. Datenpunkte pro Zeitraum für einen täglichen Indikator mit einer Zusammenfassung der Bis-Datum-Zeit] {#forecasting-time-aggregation__table_ox4_b1q_l4b} Mit einer Ausnahme unterstützen Indikatoren mit nicht täglichen Häufigkeiten nur den Zeitraum seit Jahresbeginn unter Zeitzusammenfassungen für den Zeitraum bis zum heutigen Tag. Eine Ausnahme bilden monatliche Indikatoren. Sie unterstützen auch Zeitzusammenfassungen ab Quartalsbeginn. Ein monatlicher Indikator mit einer Zusammenfassung von Quartalen bis heute hat drei Datenpunkte pro Zeitraum. Die Anzahl der Datenpunkte pro Prognosezeitraum für verschiedene Indikatorhäufigkeiten mit Zusammenfassungen seit Jahresbeginn folgt:{#forecasting-time-aggregation__table_bbg_chq_l4b__entry__2} | Indikatorfrequenz | Datenpunkte pro Zeitraum, Jahr bis heute | |-|-| | Täglich | 365 | | Wöchentlich | 52 | | Alle vier Wochen | 13 | | Zweiwöchentlich | 26 | | Vierteljährlich (geschäftlich) | 4 | [Tabelle : 3. Anzahl der Datenpunkte pro Prognosezeitraum für Zeitreihenaggregationen seit Jahresbeginn] {#forecasting-time-aggregation__table_bbg_chq_l4b} **Zugehörige Konzepte** * [Zeitreihenaggregationen anwenden](https://servicenow-prod.fluidtopics.net/Ka8wV0s_1ryGqOM7VieR1Q#applying-time-series-aggregations "Sie können Änderungen in Indikatoren in diskreten Zeitintervallen zusammenfassen. Diese Zusammenfassungen können Trends leichter sichtbar machen oder Sie dabei unterstützen, den Fortschritt für ein Ziel zu verfolgen.") ## Indikatorpunktzahlprognosen werden angezeigt {#ariaid-title7} Zeigen Sie in der klassischen Umgebung die Prognosen in einem Zeitreihen-Widget oder im Analytics Huban. Zeigen Sie unter konfigurierbarer Arbeitsbereichdie Prognosen in einer Zeitreihendatenvisualisierung oder KPI-Detailsan. Um die Prognose in einem Zeitreihen-Widget anzuzeigen, wählen Sie Prognoseanzeigen im Abschnitt Anzeigeeinstellungen des Widget-Formulars. Sie können auch das 95%-Konfidenzintervall der Prognose anzeigen, indem Sie Vorhersagebereich anzeigen auswählen. Weitere Informationen finden Sie unter [Zeitreihen-Widgets](https://servicenow-prod.fluidtopics.net/t0v7TQjNl9AZ3~gXUg2VGQ "Zeitreihen-Widgets zeigen Änderungen in einer Indikatorpunktzahl im Zeitverlauf an. Unterschiedliche Visualisierungen betonen den Trend in den Punktzahlen oder den Punktzahlen selbst und können einen Indikator anzeigen oder mehrere Indikatoren vergleichen."). Um die Prognose für Analytics Hubanzuzeigen, klicken Sie auf das Symbol für die Diagrammeinstellungen (![]()), und aktivieren Sie die Option Prognose. Öffnen Sie auf ähnliche Weise in KPI-DetailsDiagrammoptionen, und aktivieren Sie Prognose. Um die Prognose in einer Zeitreihendatenvisualisierung anzuzeigen, erweitern Sie die Zusätzliche Einstellungen und aktivieren Sie Prognose anzeigen. Anschließend können Sie den Prognosebereich anzeigen. Um die Prognose für einen Indikator für KPI-Detailsanzuzeigen, aktivieren Sie die Prognose in [Diagrammoptionen in KPI-Details](https://servicenow-prod.fluidtopics.net/meFMswqMhAGCgXxfE5ikBQ "Im Menü „ KPI-Details Diagrammoptionen “ können Sie Aspekte einer Indikatorvisualisierung anzeigen, ausblenden oder ändern. Ausgewählte Diagrammoptionen werden für jeden Anwender für jeden Indikator beibehalten. Die Diagrammoptionen sind in Analyse-, Zeitreihen- und Diagrammtypoptionen unterteilt."). **Zugehörige Konzepte** * [Analytics Hub für einen bestimmten Indikator](https://servicenow-prod.fluidtopics.net/14FaM5FaIWwUyQVYhB37Jg "Verwenden Sie den Analytics Hub, um Indikatordaten gründlich zu analysieren, z. B. indem Sie Daten zusammenfassen, Punktzahlen vergleichen oder Änderungen im Zeitverlauf anzeigen.") **Zugehörige Verweise** * [Zusätzliche Einstellungen für Zeitreihen-Widgets](https://servicenow-prod.fluidtopics.net/gKnfi1KIN2luhAZJ_P9o4A#optional-settings-ts-widgets "Zeitreihen-Widgets haben die folgenden optionalen Einstellungen für die Anzeige, den Datumsbereich, und die Achsenbeschriftungen. Sie können diese Einstellung auch verwenden, um einen Elementfilter anstelle eines Aufgliederungselements der ersten Ebene auszuwählen.") * [Indikatordatenoptionen für Zeitreihenvisualisierungen](https://servicenow-prod.fluidtopics.net/LF3SGEnSmH8fvwIiQP3U~g "Die folgenden Datenkonfigurationsoptionen sind für alle Visualisierungen von Indikatorpunktzahlen vom Typ Zeitreihe verfügbar.") * [Erkunden von -Indikatoren mit KPI-Details](https://servicenow-prod.fluidtopics.net/vsx1d7btREfP9LuxpMkE6w "Mit der Funktion KPI-Details können Sie sich mit den Informationen hinter Ihren Leistungskennzahlen befassen. Wenden Sie Prognosen, Trends, Ziele und Schwellenwerte an. Filtern Sie nach Aufgliederungselementen, oder wenden Sie Zeitreihenaggregationen an.")