简介
本手册完整描述了 CCH Tagetik Intelligent Platform 中用于异常、预测和分析的深度学习模型流程。它既包括对用于异常、预测和分析的深度学习模型的功能性介绍——其用途、优势和典型用例——也包括操作它所需的详细技术文档。
用于异常、预测和分析的深度学习概述¶
深度学习正成为现代财务分析的基础要素。随着组织向更自动化和数据驱动的流程演进，财务模型必须提供快速、准确且可扩展的结果。用于异常、预测和分析的深度学习模型通过自然地适应现实世界数据来满足这一需求，无论数据是庞大而复杂，还是以短小、不均衡的历史序列为特征。
该模型不仅仅是一个单一的分析组件：它是 CCH Tagetik Intelligent Platform 神经核心的一部分。它专为速度、准确性、可解释性和治理而设计，为日常运营以及下一代智能自动化和代理式 AI 能力提供了可靠的基础。
何时以及为何建模¶
当数据结构、业务驱动因素和 KPI 以复杂方式相互作用时，用于异常、预测和分析的深度学习模型尤为有效。它同时从多个指标中学习，从而实现预测、异常检测和驱动因素分析的统一方法。
在以下情况下，您应考虑使用此模型：
- 需要快速执行时间
- 数据集包含大量行和维度的组合
- KPI 依赖于多个相互作用的驱动因素
- 历史数据短小、不规则或部分不完整
- 预测和异常检测需要遵循单一逻辑
- 模拟和驱动因素分析需要一致、可重复的输出
这些是指示性条件，而非前提条件。即使仅满足其中一个条件，也表明用于异常、预测和分析的深度学习可以提供更强、更一致的分析支持。
通过单次训练过程，该模型在一个连贯的框架内提供预测性预测、异常检测、驱动因素影响分析和验证度量，确保整个财务领域的分析一致性。
模型设计¶
用于异常、预测和分析的深度学习模型是一个原生多目标神经网络，在单一框架内支持多种财务分析需求。通过单次训练过程，它能够实现：
- 对多个 KPI 的预测性预测
- 基于相同分析基础的自动异常检测
- 驱动因素影响分析，显示驱动因素如何影响每个 KPI
- 用于评估可靠性和性能的模型验证度量
- 可解释、适合治理的输出，用于透明的决策支持
通过整合这些能力，该模型最大限度地减少了分析碎片化，并在规划、分析和监控活动中保持一致逻辑。控制人员、计划人员和分析师可以依赖单一、统一的引擎来进行一致的模拟、场景和数据驱动评估。