分析を作成

  • リリースバージョン: Yokohama
  • 更新日 2025年01月30日
  • 所要時間：2分

    • 分析を作成して、特定の介入または変更に基づいてさまざまな結果をモデル化します。各分析の予測を生成し、その情報を使用してさまざまな結果を比較し、潜在的な介入の影響をよりよく理解できます。

    始める前に

    必要なロール：sn_esg.program_manager

    手順

    1. 次のように移動する。 All (すべて) > 環境、社会、ガバナンス > ESG ワークスペース > Lists (リスト) > 分析コンテキスト.
    2. 必要な分析コンテキストレコードを選択し、[ 分析 ] タブに移動します。
    3. [New (新規)] を選択します。
    4. フォームのフィールドに入力します。
      表 : 1. [新規分析を作成 (Create New Analysis)] フォーム
      フィールド 説明
      [Name (名前)] 分析の名前。例: 「Best case」。
      予測方法 予測データを生成するために使用する方法。
      • 自動

        デフォルトでは、メソッドの適合性に基づいて、インスタンスによって最適なメソッドが自動的に選択されます。詳細については、「Automatic selection of forecast methods」を参照してください。

      • リニア

        定数と傾向を説明変数として使用し、履歴スコアに基づいて線形回帰予測を生成します。

      • 季節雇用

        季節ダミーを説明変数として使用し、履歴スコアに基づいて線形回帰予測を生成します。この分析の「季節」は 1 つの期間です。

      • 季節傾向

        季節性がありますが、説明変数として傾向が含まれています。

      • Loess による季節傾向分解 (STL)

        最適な関数に基づいて季節予測を生成します。この方法は、指数関数的に重み付けされた移動平均アプローチを使用して、傾向、季節、およびランダムノイズプロセスをデータに適合させます。予測は完全なデータセットに基づいており、より最近の観測により多くの重みが与えられますこの分析の「季節」は1つの期間です。

      • ランダムフォレスト (RF)

        意思決定ツリーの組み合わせを作成し、これらのツリーによって生成された予測を平均して単一の予測を取得します。ランダム性は、利用可能なデータと入力のランダムなサブセットからビルドされた各ツリーに由来します。

      • 自己回帰 (AR)

        自己回帰 (AR) モデルは、傾向、季節ダミー、および過去の値の線形結合を使用して、インジケーターの将来の値を予測します。ランダムフォレスト (RF) モデルと同様に、AR モデルは最適な遅延数をチェックします。ただし、AR モデルは現在と過去の値を直線的に関連付けますが、RF モデルは非線形です。

      詳細については、「Forecast methods」を参照してください。
      ステータス 分析レコードのステータス。
      • ドラフト
      • 進行中
      • 公開済
      説明 分析の説明。
    5. [保存] を選択します。
    6. オプション: [排出係数分析] タブに移動します。
      このタブは、分析に関連付けられた式が排出係数を使用する場合にのみ使用できます。
      1. 排出係数の位置 フィールドに場所を入力します。
      2. [Save (保存)] をクリックする。
      この手順は、分析に関連付けられた式が排出係数を使用する場合にのみ必要です。
    7. [予測] を選択します。
      分析レコードが作成されました。生成された標準予測を表示できる [予測] タブが追加されました。

    次のタスク

    特定の介入または変更に基づいてさまざまな結果をモデル化するようにパラメーターを調整します。詳細については、「パラメーターの調整」を参照してください。