图
图
图
图 7：带有
图 8：与年度销售额对比的故事
图 9：使用 13×4 业务日历的计划模型的日期设置
图 10：显示 2020 年十三个时段的故事
- SAP Managed Tags:
SAP分析云预测计划的时间序列数据是以公历日期为单位的。粒度来自计划模型。由于周与周末不一致使用这种日历进行比较连续两年的数据的操作时非常困难。这对零售和消费类电子产品行业的许多组织来说是一个阻碍。因为首先，他们的数据是以周为单位测量的；其次，他们需要看到每年同一周的数据变化情况。
下图展示了一个计划模型，其中包含了时间维度基于 4-5-4 周模式的业务日历。
该计划模型展示了 2018 年至 2022 年期间零售商在每个国家的销售收入。下图显示了如何按照 4-5-4 模式将年份划分为不同时期。
业务日历对 SAC 预测计划的影响
我继续以零售商为例，解释 SAC 预测计划如何基于业务日历进行预测。我创建了一个预测方案，以估算未来十八周在每个国家的销售额。我还想逐周比较各年销售收入的变化情况。
在预测模型的设置面板中，时间粒度与计划模型的粒度相同。这意味着 SAC 预测计划现在处理的是一周的时间粒度，如下图所示。
我用这些设置来训练预测模型，结果是实体 "国家 "的每个值都是这样。
说一下预测日期。在我们的训练数据集中，最后一次观测是在 2022 年 12 月底。在预测模型的设置中，我要求对未来 18 周进行预测。这意味着，第一次预测将是业务日历 2023 年的第一周，直到 2023 年第二季度的第一周，如下图所示。
现在，我想比较一下同一时期的市场变化情况。为此，我将预测结果保存到计划模型的私人版本中，如下图所示。
拟合预测更新故事。
拟合预测生成的日期与数据源的粒度相对应。在示例中表示为周。每个拟合预测都分配给计划模型中使用的业务日历中相应的一周。
作为零售商，我想研究销售收入的变化，并将其与周期进行比较：
这就是业务日历的好处。我用一个由两个输入控件控制的图表来补充说明：一个用于选择国家，另一个用于选择周期。下图显示了每年第一季度销售收入的减少。但预计 2023 年第一季度会出现小幅反弹。
让我们根据同样的数据，看看零售商使用下图所示的 13×4 商务日历会得到什么结果。
下面的故事显示，按国家分列的销售收入表明，一年分为 13 个相等的时期： Z01 至 Z13。第一、第二和第三季度包含三个周期，而第四季度包含四个周期。
每个时段分为四周，每周 7 天。
在我的预测方案中，我基于 13×4 计划模型创建了一个新的预测模型。目标是一样的：生成未来 18 周的拟合预测。
由于数据源与之前相同，因此预测结果也相同。这一次，拟合预测按 13×4 业务日历对应的周分布。
本博客介绍了业务日历的优势，以及 SAC 预测计划如何在生成拟合预测、解释页面和将拟合预测保存到故事中时使用业务日历。
我希望阅读后能让您对业务日历以及如何在 SAC 预测计划中使用业务日历更加得心应手。如果您能与我分享您的经验，我将非常高兴。
了解更多有关 SAC 预测计划的资源:
最后，如果您喜欢这篇文章，请帮助传播、评论和点赞，我将不胜感激。谢谢！
原作者：Thierry brunet
原文链接：Week-Based Date Pattern with SAC Predictive Planning | SAP Blogs
业务日历将一年划分为若干个时期，所有时期都基于相同的模式。例如，在 4-5-4 日历中，每个季度分为 4 周、5 周和 4 周三个时段。所有周都包含从周一到周日的七天。如果您想了解更多信息，我建议您阅读 Scott Godfree 的博客《在 SAP分析云中引入灵活时间》。其中介绍了在 2022 年第 2 季度，这种业务日历是如何在 SAC 计划中被引入的。
现在，SAC 预测计划可以使用这些业务日历生成每周的拟合预测。本博文将会解释它的工作原理和优势。
哪种业务日历？
当数据源是计划模型时，可用的日历有：
- 公历
- 自定义日历
下图展示了一个计划模型，其中包含了时间维度基于 4-5-4 周模式的业务日历。
图 1：设定一个 4-5-4 业务日历
该计划模型展示了 2018 年至 2022 年期间零售商在每个国家的销售收入。下图显示了如何按照 4-5-4 模式将年份划分为不同时期。
图 2：显示 4-5-4 日历上每周销售额的故事
一年分为几个季度。如图 1 的设置所示，所有季度都包含三个以 "Z "为前缀的时段。第一期和第三期分为四周，第二期分为五周。
业务日历对 SAC 预测计划的影响
我继续以零售商为例，解释 SAC 预测计划如何基于业务日历进行预测。我创建了一个预测方案，以估算未来十八周在每个国家的销售额。我还想逐周比较各年销售收入的变化情况。
在预测模型的设置面板中，时间粒度与计划模型的粒度相同。这意味着 SAC 预测计划现在处理的是一周的时间粒度，如下图所示。
图 3：预测模型的设置
我用这些设置来训练预测模型，结果是实体 "国家 "的每个值都是这样。
说一下预测日期。在我们的训练数据集中，最后一次观测是在 2022 年 12 月底。在预测模型的设置中，我要求对未来 18 周进行预测。这意味着，第一次预测将是业务日历 2023 年的第一周，直到 2023 年第二季度的第一周，如下图所示。
现在，我想比较一下同一时期的市场变化情况。为此，我将预测结果保存到计划模型的私人版本中，如下图所示。
拟合预测更新故事。
拟合预测生成的日期与数据源的粒度相对应。在示例中表示为周。每个拟合预测都分配给计划模型中使用的业务日历中相应的一周。
作为零售商，我想研究销售收入的变化，并将其与周期进行比较：
- 相同的持续时间
- 每年的同一日期
这就是业务日历的好处。我用一个由两个输入控件控制的图表来补充说明：一个用于选择国家，另一个用于选择周期。下图显示了每年第一季度销售收入的减少。但预计 2023 年第一季度会出现小幅反弹。
让我们根据同样的数据，看看零售商使用下图所示的 13×4 商务日历会得到什么结果。
下面的故事显示，按国家分列的销售收入表明，一年分为 13 个相等的时期： Z01 至 Z13。第一、第二和第三季度包含三个周期，而第四季度包含四个周期。
每个时段分为四周，每周 7 天。
在我的预测方案中，我基于 13×4 计划模型创建了一个新的预测模型。目标是一样的：生成未来 18 周的拟合预测。
由于数据源与之前相同，因此预测结果也相同。这一次，拟合预测按 13×4 业务日历对应的周分布。
结论
本博客介绍了业务日历的优势，以及 SAC 预测计划如何在生成拟合预测、解释页面和将拟合预测保存到故事中时使用业务日历。
我希望阅读后能让您对业务日历以及如何在 SAC 预测计划中使用业务日历更加得心应手。如果您能与我分享您的经验，我将非常高兴。
了解更多有关 SAC 预测计划的资源:
最后，如果您喜欢这篇文章，请帮助传播、评论和点赞，我将不胜感激。谢谢！
原作者：Thierry brunet
原文链接：Week-Based Date Pattern with SAC Predictive Planning | SAP Blogs
