Une Cible à régression vous donne la possibilité de mesurer l'effet potentiel qu'un changement aura sur votre opération. De plus, ils vous donnent la possibilité de comparer deux variables ou plus. Les cibles à régression fonctionnent en comparant deux paramètres et en déterminant la corrélation entre les variables. Ces variables peuvent être la consommation contre la production, la consommation contre le coût ou la pression contre la production. La corrélation sera utilisée pour créer une équation qui peut être utilisée pour créer une cible dynamique.
Exemple : La consommation d'électricité d'une usine est une variable d'intérêt que vous souhaitez suivre et réaliser des économies. Vous trouvez une corrélation relativement élevée (> 0,75) entre la consommation d'électricité et la production de l'usine (Variable). Vous lancez une initiative dans leur usine pour essayer de réduire la consommation d'électricité. Cependant, la production de l'usine est réduite pendant les 2 mois suivants en raison d'un autre événement indépendant dans l'usine. Ayant précédemment créé une cible à régression en utilisant la corrélation entre la production et la consommation d'électricité, le modèle de régression capturera toujours les économies d'énergie de la consommation d'électricité malgré le changement de la variable de production.
Pour créer une nouvelle cible de régression, vous pouvez sélectionner l'icône Régression. Vous serez alors dirigé vers une page où vous pourrez renseigner les variables que vous souhaitez utiliser comme comparaison dans le modèle de régression.
Des paramètres peuvent être ajoutés en cliquant sur le bouton Ajouter sous le panneau Paramètres d'entrée.
Une liste de toutes les variables disponibles apparaîtra. Vous pouvez rechercher des mots-clés dans la barre de recherche ou faire défiler manuellement la liste des variables disponibles. Cliquer sur une variable l'incluera comme paramètre dans le modèle de régression. Plusieurs variables peuvent être ajoutées pour former une cible dépendant de plusieurs variables.
Plusieurs statistiques sont générés une fois les paramètres ajoutés. Ces statistiques informent principalement sur le niveau de corrélation entre la variable modélisée et les variables indépendantes sélectionnées.
Un indicateur principal de corrélation est la valeur R2 générée. Une analyse de régression qui génère un R2 de 1,00 est une corrélation parfaite. Une corrélation entre deux variables qui génèrent un R2 plus proche de 1,00 indique que le modèle de régression correspond bien aux données.