Cómo funciona la previsión en Tableau: creación de una previsión

La previsión consiste en prever el valor futuro de cada modelo. Muchos modelos matemáticos se utilizan para pronosticar. Al mismo tiempo, Tableau es una de las herramientas de visualización de datos más importantes y precisas, enfocada principalmente en generar para la industria de Business Intelligence. La previsión de datos es vital para la predicción y actúa en función de la inteligencia de negocio generada. Tableau se puede usar con muchas fuentes de datos, como texto, bases de datos No SQL, Excel, bases de datos SQL, etc.

Aprenda cursos de ciencia de datos en línea de las mejores universidades del mundo. Obtenga programas Executive PG, programas de certificados avanzados o programas de maestría para acelerar su carrera.

El suavizado exponencial es la técnica utilizada para realizar pronósticos en Tableau . Los algoritmos de pronóstico intentan establecer un patrón regular que pueda adoptarse para la continuidad futura. Naturalmente, agrega un pronóstico a la vista, que contiene un campo de datos que consta de una medida. Sin embargo, Tableau crea un pronóstico para ver si los datos no están presentes, que consta de dimensiones con valores enteros y al menos una medida.

Algoritmos de pronóstico

Los datos del mundo real generados requieren algoritmos más simples para generar mejores resultados y son fáciles de usar, lo cual está disponible con todos los algoritmos de pronóstico en Tableau. Para generar un pronóstico de alta calidad, tanto el patrón generado por el modelo como el pronóstico de datos del mundo real deben coincidir razonablemente. Aquí se utilizan métricas de calidad para medir esta coincidencia. Si la calidad es baja, la banda de confianza de la banda de calidad y el puntaje de calidad no se consideran debido a la inexactitud en las estimaciones de las pruebas.

Pronóstico en Tableau , Tableau elige repetidamente los mejores, hasta ocho modelos; el pronóstico de mayor calidad se elige primero. Antes de que Tableau evalúe la calidad del pronóstico, se optimizan los parámetros de suavizado de cada modelo.

El método de optimización es común y se usa en cada modelo, lo que hace imposible elegir parámetros de suavizado óptimos localmente que no sean óptimos globalmente. Sin embargo, los parámetros de valor principal se eligen en función de las mejores prácticas y no están optimizados. Por lo tanto, existe la posibilidad de que los parámetros de valor inicial sean menos óptimos.

Cuando hay una limitación de datos para la visualización, Tableau automáticamente intenta realizar pronósticos con una mejor granularidad basada en el tiempo y luego suma el pronóstico a la granularidad de la visualización. Tableau ofrece grupos de pronóstico que se pueden calcular a partir de una ecuación de forma cerrada. Cada modelo con un componente multiplicativo o con pronósticos de datos combinados contiene bandas simuladas, en las que cada modelo se basa en la ecuación de forma cerrada.

Suavizado exponencial y tendencia

Los modelos de suavizado exponencial se utilizan para pronosticar valores futuros en una serie temporal consistente de valores utilizando valores medios sesgados de valores pasados ​​en la serie conocida. Un modelo modesto es el suavizado exponencial simple; aquí, el cálculo se basa en el valor suavizado de un valor medio ponderado y el último valor real. Este método es exponencial porque los valores más recientes tienen más peso y cada valor se basa en todos los valores reales anteriores.

Los componentes estacionales son operativos cuando el valor medido muestra una tendencia o estacionalidad durante el período de tiempo en el valor operativo. La tendencia es una propiedad de los datos para aumentar o disminuir en un período de tiempo determinado. La estacionalidad es una variación reiterada y esperada en la búsqueda de valores, como una fluctuación de las lluvias o la ocurrencia de inundaciones repentinas.

En general, se pueden obtener mejores pronósticos de datos cuando hay muchos datos disponibles durante el período de tiempo. Tener suficientes datos es más importante al modelar la estacionalidad debido a la complejidad del modelo, y solo se puede lograr una mayor precisión con más pruebas de datos disponibles. Debido a limitaciones, no se puede generar un pronóstico a partir de 2 o más valores de datos.

estacionalidad

Para estimar el pronóstico de datos en las pruebas de Tableau para un ciclo estacional, generalmente con la duración de la agregación de tiempo entre las series temporales. Si se agrega por meses, Tableau buscará un ciclo de 12 meses; si se agrega por trimestres se busca el ciclo de cuatro trimestres y si se agrega por días se busca la estacionalidad semanal. Si considera un ciclo de seis meses en una serie temporal mensual, Tableau buscará un patrón de año que contenga dos subpatrones similares. Si se considera un ciclo de siete meses en una serie temporal mensual, Tableau no buscará ningún ciclo, ya que son poco comunes.

Dado que cada selección se selecciona automáticamente y Tableau deriva posibles duraciones de temporada a partir de los datos proporcionados, el tipo de modelo predeterminado "Automático" en el menú Tipo de modelo del cuadro de diálogo Opciones de pronóstico no cambia. Si bien la selección de "Automático sin estacionalidad" ayuda al rendimiento al predecir la duración de toda la temporada, se están probando y evaluando los modelos estacionales.

Tipos de modelo

En Pronósticos en Tableau , cuando elige el cuadro de diálogo Opciones de pronóstico, se le proporciona el tipo de modelo utilizado para sus datos. Aquí se proporciona la configuración automática predeterminada, y esto es óptimo para la vista principal de los datos. En Personalizado, debe especificar las características de tendencia y temporada, entre los tipos Ninguno, Aditivo o Multiplicativo.

Fuente

En un modelo aditivo, se suma cada contribución de los componentes del modelo, mientras que en un modelo multiplicativo, se multiplica la contribución de un componente mínimo. Los modelos multiplicativos tienden a mejorar significativamente la calidad del pronóstico a partir del valor de los datos, y la tendencia o estacionalidad se basa en la magnitud de los datos. Como la multiplicación está involucrada en el modelo multiplicativo, ninguno de los valores necesita ser cero o tiende a cero.

Granularidad y recorte

Para crear un pronóstico de los datos, la selección de la dimensión de tiempo es esencial para ver y predecir en la referencia de tiempo dada. Las fechas de Tableau proporcionan una variedad de unidades de tiempo, que incluyen día, mes, trimestre y año. La granularidad es la unidad elegida para la fecha.

Por lo general, los datos no se alinearán con precisión con la unidad de granularidad. Por ejemplo, si establece los datos en el valor del trimestre, los datos reales pueden detenerse antes del trimestre. El modelo considera que se crea más un problema al predecir el modelo, como un trimestre completo, que suele ser un valor más bajo que un trimestre completo.

Si permite que los modelos de pronóstico de datos elijan datos, el pronóstico posterior será impreciso. Recortar los datos es una de las soluciones. Los períodos finales que descarrilan el pronóstico se ignoran al usar la opción Ignorar último proporcionada en el cuadro de diálogo Opciones de pronóstico de datos . La opción predeterminada es recortar/completar un período.

Lea también: 16 proyectos principales de ciencia de datos en Python que debe conocer

Conclusión

Los valores de datos basados ​​en el tiempo tienen sus propias reglas e implicaciones. Usar el volumen correcto de datos es esencial para una mejor predicción y estimaciones requeridas para futuras adaptaciones comerciales. Pronosticar en Tableau es tan factible que puede conectarse a cualquier software y usarse para obtener predicciones de datos ricas y futuristas basadas en el valor de los datos. La previsión en Tableau intenta predecir automáticamente la tendencia; Después de leer este artículo, debe tener claro que el uso de "Automático" no se ajusta a todos los valores de datos.

Aprender Tableau es esencial para las personas que aspiran a aprender y tienen una carrera en ciencia de datos y visualización. Comprender los conceptos y usar la herramienta es bastante complicado para los principiantes, mientras que el aprendizaje de los expertos de la industria proporciona el comienzo correcto.

Si tiene curiosidad por aprender sobre ciencia de datos, consulte el Programa ejecutivo PG en ciencia de datos de IIIT-B y upGrad, creado para profesionales que trabajan y ofrece más de 10 estudios de casos y proyectos, talleres prácticos, tutoría con expertos de la industria, 1 -on-1 con mentores de la industria, más de 400 horas de aprendizaje y asistencia laboral con las mejores empresas.