Funktionsweise von Prognosen in Tableau: Erstellen einer Prognose

Bei Prognosen geht es darum, den zukünftigen Wert in jedem Modell vorherzusagen. Für Prognosen werden viele mathematische Modelle verwendet. Gleichzeitig ist Tableau eines der führenden und präzisen Tools zur Datenvisualisierung, das sich hauptsächlich auf die Generierung für die Business Intelligence-Branche konzentriert. Datenprognosen sind für die Vorhersage von entscheidender Bedeutung und handeln auf der Grundlage der generierten Business Intelligence. Tableau kann mit vielen Datenquellen wie Text, No-SQL-Datenbanken, Excel, SQL-Datenbanken usw. verwendet werden.

Lernen Sie Online-Data-Science-Kurse von den besten Universitäten der Welt. Verdienen Sie Executive PG-Programme, Advanced Certificate-Programme oder Master-Programme, um Ihre Karriere zu beschleunigen.

Exponentielle Glättung ist die Technik, die für Prognosen in Tableau verwendet wird . Prognosealgorithmen versuchen, ein regelmäßiges Muster zu erstellen, das für zukünftige Kontinuität übernommen werden kann. Natürlich fügen Sie der Ansicht eine Prognose hinzu, die ein Datenfeld enthält, das aus einer Kennzahl besteht. Tableau erstellt jedoch eine Prognose zur Anzeige, wenn keine Daten vorhanden sind, die aus Dimensionen mit ganzzahligen Werten und mindestens einer Kennzahl besteht.

Prognosealgorithmen

Generierte reale Daten erfordern einfachere Algorithmen, um bessere Ergebnisse zu erzielen, und sind einfach zu verwenden, was mit allen Prognosealgorithmen in Tableau verfügbar ist. Um eine qualitativ hochwertige Prognose zu erstellen, sollten sowohl das vom Modell generierte Muster als auch die realen Datenprognosen angemessen übereinstimmen. Hier werden Qualitätsmetriken verwendet, um diese Übereinstimmung zu messen. Wenn die Qualität niedrig ist, werden das Qualitätsband-Konfidenzband und der Qualitätswert aufgrund von Ungenauigkeiten in den Testschätzungen nicht berücksichtigt.

Prognosen in Tableau , Tableau wählt wiederholt die obersten, bis zu acht Modelle; Die Prognose mit der höchsten Qualität wird zuerst ausgewählt. Bevor Tableau die Prognosequalität bewertet, werden die Glättungsparameter jedes Modells optimiert.

Das Optimierungsverfahren ist üblich und wird in jedem Modell verwendet, was es unmöglich macht, lokal optimale Glättungsparameter zu wählen, die nicht global optimal sind. Primärwertparameter werden jedoch basierend auf Best Practices ausgewählt und nicht optimiert. Es besteht also die Möglichkeit, dass Anfangswertparameter weniger optimal sind.

Wenn die Daten für die Visualisierung eingeschränkt sind, versucht Tableau automatisch, mit besserer zeitbasierter Granularität zu prognostizieren und summiert dann die Prognose auf die Granularität der Visualisierung. Tableau liefert Prognosegruppen, die aus einer geschlossenen Gleichung berechnet werden können. Jedes Modell mit multiplikativer Komponente oder mit kombinierten Datenprognosen enthält simulierte Bänder, in denen jedes Modell auf der geschlossenen Gleichung basiert.

Exponentielle Glättung und Trend

Exponentielle Glättungsmodelle werden verwendet, um zukünftige Werte in einer konsistenten Zeitreihe von Werten zu prognostizieren, wobei verzerrte Mittelwerte vergangener Werte in der bekannten Reihe verwendet werden. Ein bescheidenes Modell ist Simple Exponential Smoothing; hier wird mit dem geglätteten Wert aus einem gewichteten Mittelwert und dem letzten Istwert gerechnet. Diese Methode ist exponentiell, da neuere Werte stärker gewichtet werden und jeder Wert auf jedem vorhergehenden tatsächlichen Wert basiert.

Saisonale Komponenten sind operativ, wenn der gemessene Wert einen Trend oder eine Saisonalität über den Zeitraum des operativen Werts zeigt. Der Trend ist eine Eigenschaft der Daten, in einem gegebenen Zeitraum zuzunehmen oder abzunehmen. Saisonabhängigkeit ist eine sich wiederholende, erwartete Schwankung in der Wertsuche, wie z. B. eine Schwankung des Niederschlags oder das Auftreten von Sturzfluten.

Im Allgemeinen kann eine bessere Datenprognose erzielt werden, wenn viele Daten über den Zeitraum verfügbar sind. Aufgrund der Komplexität des Modells ist es bei der Modellierung der Saisonabhängigkeit am wichtigsten, über ausreichende Daten zu verfügen, und eine größere Genauigkeit kann nur mit mehr verfügbaren Datennachweisen erreicht werden. Aufgrund von Einschränkungen kann eine Prognose nicht aus 2 oder mehr Datenwerten erstellt werden.

Saisonalität

Um die Datenprognose in Tableau-Versuchen für einen saisonalen Zyklus zu schätzen , typischerweise mit der Länge für die Zeitaggregation zwischen den Zeitreihen. Bei Aggregation nach Monaten prüft Tableau auf einen 12-Monats-Zyklus; bei einer Aggregation nach Quartalen wird der Vier-Quartals-Zyklus durchsucht, und bei einer Aggregation nach Tagen wird die wöchentliche Saisonalität durchsucht. Wenn Sie einen sechsmonatigen Zyklus in einer monatlichen Zeitreihe betrachten, sucht Tableau nach einem Jahresmuster, das zwei gleiche Teilmuster enthält. Wenn ein siebenmonatiger Zyklus in monatlichen Zeitreihen berücksichtigt wird, sucht Tableau überhaupt nach keinem Zyklus, da diese ungewöhnlich sind.

Da jede Auswahl automatisch ausgewählt wird und Tableau mögliche Saisonlängen aus den angegebenen Daten ableitet, wird der standardmäßige Modelltyp „Automatisch“ im Menü „Modelltyp“ des Dialogfelds „Prognoseoptionen“ nicht geändert. Während die Auswahl von „Automatisch ohne Saisonalität“ die Leistung unterstützt, indem die gesamte Saisonlänge vorhergesagt wird, werden saisonale Modelle untersucht und bewertet.

Modelltypen

Wenn Sie in Forecasting in Tableau das Dialogfeld „Prognoseoptionen“ auswählen, wird Ihnen der für Ihre Daten verwendete Modelltyp angezeigt. Hier wird die Standardeinstellung Automatisch bereitgestellt, die für die primäre Ansicht der Daten optimal ist. Unter „Benutzerdefiniert“ müssen Sie die Trend- und Saisonmerkmale angeben, und zwar zwischen den Typen „Keine“, „Additiv“ oder „Multiplikativ“.

Quelle

In einem additiven Modell wird jeder Beitrag von Modellkomponenten addiert, wohingegen in einem multiplikativen Modell ein minimaler Komponentenbeitrag multipliziert wird. Multiplikative Modelle neigen dazu, die Prognosequalität aus dem Wert der Daten erheblich zu verbessern, und der Trend oder die Saisonabhängigkeit basiert auf der Größe der Daten. Da in dem multiplikativen Modell eine Multiplikation beteiligt ist, muss keiner der Werte Null sein oder tendiert zu Null.

Granularität und Trimmen

Um eine Prognose der Daten zu erstellen, ist die Auswahl der Zeitdimension unerlässlich, um den gegebenen Zeitbezug zu sehen und vorherzusagen. Tableau-Datumsangaben bieten eine Reihe von Zeiteinheiten, einschließlich Tag, Monat, Quartal und Jahr. Die Granularität ist die für das Datum gewählte Einheit.

Normalerweise richten sich die Daten nicht genau nach der Einheit der Granularität aus. Wenn Sie die Daten beispielsweise auf den Wert des Quartals festlegen, werden die tatsächlichen Daten möglicherweise vor dem Quartal beendet. Das weitere Erstellen eines Problems bei der Vorhersage des Modells als vollständiges Quartal wird vom Modell berücksichtigt, was typischerweise einen niedrigeren Wert als ein gesamtes Quartal darstellt.

Wenn Sie zulassen, dass Datenprognosemodelle Daten auswählen, wird die nachfolgende Prognose ungenau. Das Trimmen der Daten ist eine der Lösungen. Nachlaufende Perioden, die die Prognose entgleisen lassen, werden vernachlässigt, indem die Option „Letzte ignorieren“ im Dialogfeld „Datenvorhersageoptionen“ verwendet wird . Die Standardoption ist, eine Periode zu trimmen/abzuschließen.

Lesen Sie auch: 16 Top Data Science-Projekte in Python, die Sie kennen müssen

Fazit

Zeitbasierte Datenwerte haben ihre eigenen Regeln und Implikationen. Die Verwendung des richtigen Datenvolumens ist entscheidend für bessere Vorhersagen und Schätzungen, die für zukünftige geschäftliche Anpassungsfähigkeiten erforderlich sind. Prognosen in Tableau sind so praktikabel, dass sie mit jeder Software verbunden und verwendet werden können, um futuristische und reichhaltige Datenvorhersagen basierend auf dem Datenwert zu erhalten. Die Prognose in Tableau versucht automatisch, den Trend vorherzusagen; Nachdem Sie diesen Artikel gelesen haben, sollten Sie sich darüber im Klaren sein, dass die Verwendung von „Automatisch“ nicht zu allen Datenwerten passt.

Learning Tableau ist unerlässlich für Personen, die lernen und eine Karriere in Data Science und Visualisierung anstreben. Das Verständnis der Konzepte und die Verwendung des Tools ist für den Anfang ziemlich schwierig, während das Lernen von Branchenexperten den richtigen Anfang bietet.

Wenn Sie neugierig sind, etwas über Data Science zu lernen, schauen Sie sich das Executive PG Program in Data Science von IIIT-B & upGrad an, das für Berufstätige entwickelt wurde und mehr als 10 Fallstudien und Projekte, praktische Workshops, Mentoring mit Branchenexperten, 1 -on-1 mit Branchenmentoren, mehr als 400 Stunden Lern- und Jobunterstützung bei Top-Unternehmen.