كيف يعمل التنبؤ في Tableau: إنشاء تنبؤ

يدور التنبؤ حول توقع القيمة المستقبلية في كل نموذج. يتم استخدام العديد من النماذج الرياضية للتنبؤ. في الوقت نفسه ، يعد Tableau أحد الأوامر ، وأدوات تصور البيانات الدقيقة التي تركز بشكل أساسي على توليد صناعة ذكاء الأعمال. يعد التنبؤ بالبيانات أمرًا حيويًا للتنبؤ ، وهو يعمل بناءً على ذكاء الأعمال الذي تم إنشاؤه. يمكن استخدام Tableau مع العديد من مصادر البيانات مثل النصوص ، لا توجد قواعد بيانات SQL ، Excel ، قواعد بيانات SQL ، إلخ.

تعلم دورات علوم البيانات عبر الإنترنت من أفضل الجامعات في العالم. اربح برامج PG التنفيذية أو برامج الشهادات المتقدمة أو برامج الماجستير لتتبع حياتك المهنية بشكل سريع.

التسوية الأسية هي التقنية المستخدمة للتنبؤ في Tableau . تحاول خوارزميات التنبؤ إنشاء نمط منتظم يمكن اعتماده للاستمرارية المستقبلية. تقوم بشكل طبيعي بإضافة توقع إلى طريقة العرض ، والتي تحتوي على حقل بيانات يتكون من مقياس واحد. ومع ذلك ، ينشئ Tableau تنبؤًا لمعرفة ما إذا كانت البيانات غير موجودة ، والتي تتكون من أبعاد مع قيم عدد صحيح ومقياس واحد على الأقل.

خوارزميات التنبؤ

تتطلب بيانات العالم الحقيقي التي تم إنشاؤها خوارزميات أبسط لتحقيق نتائج أفضل وسهلة الاستخدام ، وهو متاح مع جميع خوارزميات التنبؤ في Tableau. لإنشاء تنبؤ عالي الجودة ، يجب أن يتطابق كل من النمط الذي تم إنشاؤه بواسطة النموذج والتنبؤ بالبيانات الواقعية بشكل معقول. هنا يتم استخدام مقاييس الجودة لقياس هذه المطابقة. إذا كانت الجودة منخفضة ، فلن يتم أخذ نطاق ثقة نطاق الجودة ونقاط الجودة في الاعتبار بسبب عدم الدقة في تقديرات الاختبار.

التنبؤ في Tableau ، يختار Tableau بشكل متكرر أعلى ، حتى ثمانية نماذج ؛ يتم اختيار أعلى جودة للتنبؤ أولاً. قبل أن يقوم Tableau بتقييم جودة التنبؤ ، يتم تحسين معلمات التنعيم لكل نموذج.

طريقة التحسين شائعة ومستخدمة في كل نموذج ، مما يجعل من المستحيل اختيار معلمات التنعيم المثلى محليًا والتي ليست مثالية على مستوى العالم. ومع ذلك ، يتم اختيار معلمات القيمة الأساسية بناءً على أفضل الممارسات ولم يتم تحسينها. لذلك ، هناك احتمال أن تكون معلمات القيمة الأولية أقل مثالية.

عندما يكون هناك قيود على البيانات من أجل التصور ، يحاول Tableau تلقائيًا التنبؤ بمستوى دقة أفضل يعتمد على الوقت ، ثم يقوم بجمع التنبؤ إلى دقة التصور. يقدم Tableau مجموعات تنبؤ يمكن حسابها من معادلة مغلقة الشكل. يحتوي كل نموذج بمكون مضاعف أو مع تنبؤات بيانات مجمعة على نطاقات محاكاة ، حيث يعتمد كل نموذج على معادلة مغلقة.

التجانس الأسي والاتجاه

تُستخدم نماذج التسوية الأسية للتنبؤ بالقيم المستقبلية في سلسلة زمنية متسقة من القيم باستخدام القيم المتوسطة المتحيزة للقيم الماضية في السلسلة المعروفة. أحد النماذج المتواضعة هو التجانس الأسي البسيط. هنا ، يستند الحساب إلى القيمة المتجانسة من قيمة المتوسط ​​المرجح والقيمة الفعلية الأخيرة. هذه الطريقة أسية لأن القيم الأحدث تُعطى وزناً أكبر ، وتستند كل قيمة إلى كل قيمة فعلية سابقة.

تكون المكونات الموسمية سارية عندما تعرض القيمة المقاسة الاتجاه أو الموسمية خلال الفترة الزمنية على القيمة التشغيلية. الاتجاه هو خاصية للبيانات لزيادة أو نقصان في فترة زمنية معينة. الموسمية هي تباين متكرر ومتوقع في البحث عن القيمة ، مثل تقلب هطول الأمطار أو حدوث فيضانات مفاجئة.

بشكل عام ، يمكن الحصول على تنبؤ أفضل بالبيانات عند توفر الكثير من البيانات خلال الفترة الزمنية. يعد الحصول على بيانات كافية أمرًا مهمًا للغاية أثناء نمذجة الموسمية بسبب التعقيد في النموذج ، ولا يمكن تحقيق دقة أكبر إلا مع توفر المزيد من الأدلة على البيانات. بسبب القيود ، لا يمكن إنشاء توقع من قيمتين أو أكثر من قيم البيانات.

الموسمية

لتقدير البيانات المتوقعة في تجارب Tableau لدورة موسمية عادةً بطول التجميع الزمني بين السلاسل الزمنية. إذا تم تجميعها حسب الأشهر ، فسوف يتحقق Tableau من دورة مدتها 12 شهرًا ؛ إذا تم تجميعها حسب أرباع السنة ، فسيتم البحث عن دورة الأرباع الأربعة ، وإذا تم تجميعها حسب الأيام ، فسيتم البحث عن الموسمية الأسبوعية. إذا كنت تفكر في دورة مدتها ستة أشهر في سلسلة زمنية شهرية ، فسوف يبحث Tableau عن نمط عام يحتوي على نمطين فرعيين متشابهين. إذا تم أخذ دورة مدتها سبعة أشهر في سلسلة زمنية شهرية في الاعتبار ، فسوف يبحث Tableau عن أي دورة على الإطلاق لأنها غير شائعة.

نظرًا لأنه يتم تحديد كل تحديد باستخدام تلقائي ، يشتق Tableau أطوال الموسم الممكنة من البيانات المحددة ، لا يتم تغيير نوع النموذج الافتراضي "تلقائي" في قائمة "نوع نموذج حوار خيارات التنبؤ". أثناء تحديد "تلقائي بدون موسمية" يساعد الأداء من خلال التنبؤ بطول الموسم بالكامل وفحص النماذج الموسمية وتقييمها.

أنواع النماذج

في التنبؤ في Tableau ، عندما تختار مربع حوار خيارات التنبؤ ، يتم تزويدك بنوع النموذج المستخدم لبياناتك. هنا يتم توفير الإعداد التلقائي الافتراضي ، وهذا هو الأمثل للعرض الأساسي للبيانات. ضمن Custom ، تحتاج إلى تحديد خصائص الاتجاه والموسم ، من بين أنواع لا شيء ، أو مضافة ، أو مضاعفة.

مصدر

في النموذج الإضافي ، تتم إضافة كل مساهمة لمكونات النموذج ، بينما في نموذج المضاعفة ، يتم مضاعفة الحد الأدنى من مساهمة المكون. تميل النماذج المضاعفة إلى تحسين جودة التنبؤ من قيمة البيانات بشكل كبير ، ويستند الاتجاه أو الموسمية إلى حجم البيانات. نظرًا لأن عملية الضرب متضمنة في نموذج الضرب ، فلا يلزم أن تكون أي من القيم صفرًا أو تميل إلى الصفر.

الدقة والتشذيب

لإنشاء توقع للبيانات ، يعد اختيار البعد الزمني ضروريًا لرؤية المرجع الزمني المحدد والتنبؤ به. توفر تواريخ Tableau نطاقًا من الوحدات الزمنية ، بما في ذلك اليوم والشهر والربع والسنة. الدقة هي الوحدة المختارة للتاريخ.

عادةً ، لن تتم محاذاة البيانات بدقة مع وحدة الدقة. على سبيل المثال ، إذا قمت بتعيين البيانات في قيمة ربع السنة ، فقد تتوقف البيانات الفعلية قبل ربع السنة. مزيد من خلق مشكلة أثناء التنبؤ بالنموذج ، كربع كامل ، يتم النظر فيه من قبل النموذج ، والتي تكون عادةً أقل قيمة من ربع كامل.

إذا سمحت لنماذج التنبؤ بالبيانات باختيار البيانات ، فسيكون التنبؤ التالي غير دقيق. يعد اقتطاع البيانات أحد الحلول. يتم إهمال الفترات اللاحقة التي تعرقل التنبؤ عن طريق استخدام الخيار تجاهل الأخير المتوفر في مربع الحوار خيارات تنبؤ البيانات . الخيار الافتراضي هو قص / إكمال فترة واحدة.

اقرأ أيضًا: أفضل 16 مشروعًا لعلوم البيانات في Python يجب أن تعرفها

خاتمة

قيم البيانات المستندة إلى الوقت لها قواعدها وآثارها الخاصة. يعد استخدام الحجم الصحيح من البيانات أمرًا ضروريًا لتحسين التنبؤ والتقديرات المطلوبة للتكيف التجاري في المستقبل. يعد التنبؤ في Tableau أمرًا ممكنًا بحيث يمكن توصيله بأي برنامج واستخدامه للحصول على تنبؤات بيانات مستقبلية وغنية بناءً على قيمة البيانات. التنبؤ في Tableau يحاول تلقائيًا التنبؤ بالاتجاه ؛ بعد قراءة هذه المقالة ، يجب أن تكون واضحًا أن استخدام "تلقائي" لا يتناسب مع جميع قيم البيانات.

يعد تعلم Tableau ضروريًا للأفراد الذين يتطلعون إلى التعلم والحصول على وظيفة في علوم البيانات والتصور. يعد فهم المفاهيم واستخدام الأداة أمرًا صعبًا للغاية بالنسبة للمبتدئين ، بينما يوفر تعلم خبراء الصناعة البداية الصحيحة.

إذا كنت مهتمًا بالتعرف على علوم البيانات ، فراجع برنامج IIIT-B & upGrad التنفيذي PG في علوم البيانات الذي تم إنشاؤه للمهنيين العاملين ويقدم أكثر من 10 دراسات حالة ومشاريع ، وورش عمل عملية عملية ، وإرشاد مع خبراء الصناعة ، 1 - في 1 مع موجهين في الصناعة ، أكثر من 400 ساعة من التعلم والمساعدة في العمل مع الشركات الكبرى.