利用一套快速、可設定、開放、經得起時間考驗且值得您信賴的的預測工具，對未來進行更妥善的規劃。
精簡和自動化您的預測流程
大規模自動產生、視覺化顯示和部署可靠的預測，無需手動操作。減少手動操作意味著在預測過程中導入個人偏見的機會較小，由於預測分析師無須針對每個時間序列建製和監控預測模型，因此可以專注於更具策略性、高價值的預測或不適合自動化處理的問題。同時，有更多經驗豐富的預測人員可以開發和共用他們設定的建模策略和管道，供用於其他業務領域。
大規模產生準確的預測，做出更好的規劃
依據資料的本質，自動將資料分割至類似時間序列的區段。然後使用時間序列、機器學習和混合技術，將最有效的建模技巧應用於每個群組。
讓開放式程式碼使用者更具生產力
為資料科學團隊提供選項，可使用 Python 和 R 擴大熱門開放式程式碼演算法的執行規模，將這些演算法分散至雲端平行化執行。SAS Visual Forecasting 提供開放且可擴展的架構，可整合並平行化執行演算法，能以可控制且一致的方式共用和重複使用演算法。
納入外部驅動因素和業務知識
依據提供給系統的變數，自動選取會對預測流程造成影響的業務驅動因素、假日或事件。藉由使用簡單的使用者介面，您還可以根據實際業務知識，覆寫系統的結果，進一步改善預測準確性，也可以依據您在同一生態系統中定義的特定篩選條件來管理變更。
主要特色
SAS Visual Forecasting 提供開放式預測生態系統，能快速自動產生大量可靠的預測。
資料存取、準備和品質
使用直觀的介面存取、分析、清理和轉換資料，該介面透過嵌入式 AI 提供自助式資料準備功能。
資料視覺化
透過單一自助式介面，直觀地探索資料、建立和分享智慧視覺效果和互動式報表。增強分析和進階功能可加速洞察，並幫助您發現資料中隱藏的情況。
自動時間序列分析與預測
數種函式套件會在時間序列資料分析流程中執行特定任務。將有時間戳記的交易資料轉換為時間序列格式，然後自動產生預測模型。
機器學習和深度學習
將類神經網路 (NN)、遞歸類神經網路 (RNN) 和混合技術 (NN + 時間序列) 納入預測流程中，即使遇到最具挑戰性的序列，還是能進行建模。產生特徵並自動將交易資料轉換為正確的格式，在使用這些複雜技術之前，免除人力密集的手動特徵工程。
平行化執行開放式程式碼演算法
藉由使用治理良好且一致的架構，整合並平行化執行 Python 和 R 演算法，以便在雲端中執行。讓開放式程式碼使用者能夠使用雲端中的 SAS Viya 工作者節點，以分散式方式擴展其程式碼，以閃電般速度執行。
時間序列區段劃分
依據需求分類屬性 (例如，數量和波動率)，自動將資料劃分區段，因此可在專案管道中，分別針對每個區段，使用預建範本並建立模型，也可以依據您的業務知識，匯入自訂區段。可依據資料的本質，套用最適當的預測技術，顯著改善預測的品質。
將事件新增至模型
針對事件 (假日、零售促銷活動、自然災害等) 對相依時間序列的影響建立模型，以改善模型準確度。此解決方案包括預設的預建事件 (例如，重大假日)，您還可新增來自外部事件存放庫的其他事件。
互動式建模
透過簡單的使用者介面，分析個別時間序列、以視覺化方式比較模型，並針對個別時間序列開發自訂模型。利用自動產生的診斷圖和資料表，評估和評價模型，並選出自己的模型冠軍。
高度靈活的預測覆寫
透過簡單的使用者介面來使用強大的手動覆寫功能，針對依屬性而非只是依階層變數所定義的特定篩選條件或時間序列群組，進行自訂調整。
階層式調解
針對階層中的各個序列，個別進行建模和預測，然後在多個層級進行由上而下的調解。可調整任何層級上的預測，並將預測分配到較低層級，以保持階層一致。個別預測 (依產品、位置等) 匯總至最高數字。
支援 API 和其他程式設計語言
使用各式各樣的內建預測模型，和/或自訂與您的資料配合良好的模型。使用公用 REST API，將 SAS Analytics 新增至其他應用程式。召用 SAS、Python、R、Java、Java 和 Lua 等語言的分析動作、程序和 API。
分散式處理的指令碼語言
指令碼環境支援快速的記憶體內時間序列分析。此指令碼語言已針對執行所在的機器最佳化並編譯，因此無需針對不同的機器重寫程式碼。
雲端原生
SAS Viya 的架構精實、雲端原生且快速。無論您是喜歡使用 SAS Cloud 還是公用雲端或私人雲端提供商，都能充分利用您的雲端投資。
瞭解 SAS Visual Forecasting
相關產品
查看這些與 SAS Visual Forecasting 相關的產品和解決方案。