Fonctionnement des prévisions dans Tableau : création d'une prévision

La prévision consiste à prévoir la valeur future de chaque modèle. De nombreux modèles mathématiques sont utilisés pour les prévisions. Dans le même temps, Tableau est l'un des outils de visualisation de données les plus puissants et précis principalement axés sur la génération pour l'industrie de la Business Intelligence. La prévision des données est essentielle à la prévision, et elle agit sur la base de l'intelligence économique générée. Tableau peut être utilisé avec de nombreuses sources de données telles que du texte, des bases de données No SQL, Excel, des bases de données SQL, etc.

Apprenez des cours de science des données en ligne dans les meilleures universités du monde. Gagnez des programmes Executive PG, des programmes de certificat avancés ou des programmes de maîtrise pour accélérer votre carrière.

Le lissage exponentiel est la technique utilisée pour les prévisions dans Tableau . Les algorithmes de prévision tentent d'établir un modèle régulier qui peut être adopté pour une continuité future. Vous ajoutez naturellement une prévision dans la vue, qui contient un champ de données composé d'une mesure. Cependant, Tableau crée une prévision pour afficher si les données ne sont pas présentes, qui se compose de dimensions avec des valeurs entières et au moins une mesure.

Algorithmes de prévision

Les données du monde réel générées nécessitent des algorithmes plus simples pour produire de meilleurs résultats et sont faciles à utiliser, ce qui est disponible avec tous les algorithmes de prévision dans Tableau. Pour générer une prévision de haute qualité, le modèle généré par le modèle et les prévisions de données réelles doivent correspondre raisonnablement. Ici, des mesures de qualité sont utilisées pour mesurer cette correspondance. Si la qualité est faible, la bande de confiance de la bande de qualité et le score de qualité ne sont pas pris en compte en raison de l'imprécision des estimations des tests.

Prévision dans Tableau , Tableau choisit à plusieurs reprises le top, jusqu'à huit modèles ; la prévision de meilleure qualité est choisie en premier. Avant que Tableau n'évalue la qualité des prévisions, les paramètres de lissage de chaque modèle sont optimisés.

La méthode d'optimisation est commune et utilisée dans chaque modèle, ce qui rend impossible le choix de paramètres de lissage localement optimaux qui ne le sont pas globalement. Cependant, les paramètres de valeur principale sont choisis en fonction des meilleures pratiques et ne sont pas optimisés. Il est donc possible que les paramètres de valeur initiale soient moins optimaux.

Lorsqu'il existe une limitation des données pour la visualisation, Tableau tente automatiquement de prévoir avec une meilleure granularité temporelle, puis additionne la prévision à la granularité de la visualisation. Tableau fournit des groupes de prévisions qui peuvent être calculés à partir d'une équation fermée. Chaque modèle avec une composante multiplicative ou avec des prévisions de données combinées contient des bandes simulées, dans lesquelles chaque modèle est basé sur l'équation de forme fermée.

Lissage exponentiel et tendance

Les modèles de lissage exponentiel sont utilisés pour prévoir les valeurs futures dans une série chronologique cohérente de valeurs en utilisant des valeurs moyennes biaisées des valeurs passées dans la série connue. Un modèle modeste est le lissage exponentiel simple ; ici, le calcul est basé sur la valeur lissée à partir d'une valeur moyenne pondérée et de la dernière valeur réelle. Cette méthode est exponentielle car les valeurs les plus récentes ont plus de poids et chaque valeur est basée sur chaque valeur réelle précédente.

Les composants saisonniers sont opérationnels lorsque la valeur mesurée présente une tendance ou une saisonnalité sur la période de temps sur la valeur opérationnelle. La tendance est une propriété des données à augmenter ou à diminuer dans la période de temps donnée. La saisonnalité est une variation récurrente et attendue dans la recherche de valeur, telle qu'une fluctuation des précipitations ou la survenue d'inondations soudaines.

En général, une meilleure prévision des données peut être obtenue lorsque de nombreuses données sont disponibles sur la période. Il est très important de disposer de suffisamment de données lors de la modélisation de la saisonnalité en raison de la complexité du modèle, et une plus grande précision ne peut être obtenue qu'avec plus de preuves de données disponibles. En raison de limitations, une prévision ne peut pas être générée à partir de 2 valeurs de données ou plus.

Saisonnalité

Pour estimer les prévisions de données dans les essais Tableau pour un cycle saisonnier généralement avec la longueur de l'agrégation temporelle parmi les séries temporelles. En cas d'agrégation par mois, Tableau vérifiera un cycle de 12 mois ; s'il est agrégé par trimestres, le cycle de quatre trimestres est recherché, et s'il est agrégé par jours, la saisonnalité hebdomadaire est recherchée. Si vous considérez un cycle de six mois dans une série chronologique mensuelle, Tableau recherchera un modèle annuel contenant deux sous-modèles similaires. Si un cycle de sept mois dans les séries chronologiques mensuelles est pris en compte, Tableau ne recherchera aucun cycle car ils sont rares.

Étant donné que chaque sélection est sélectionnée automatiquement et que Tableau dérive les durées de saison possibles à partir des données fournies, le type de modèle « Automatique » par défaut dans le menu Type de modèle de la boîte de dialogue Options de prévision n'est pas modifié. La sélection de "Automatique sans saisonnalité" améliore les performances en prédisant toute la durée de la saison, en sondant et en évaluant les modèles saisonniers.

Types de modèles

Dans Prévision dans Tableau , lorsque vous choisissez la boîte de dialogue Options de prévision, le type de modèle utilisé pour vos données vous est fourni. Ici, le paramètre Automatique par défaut est fourni, ce qui est optimal pour la vue principale des données. Sous Personnalisé, vous devez spécifier les caractéristiques de la tendance et de la saison, parmi les types Aucun, Additif ou Multiplicatif.

La source

Dans un modèle additif, chaque contribution des composants du modèle est ajoutée, alors que, dans un modèle multiplicatif, une contribution minimale des composants est multipliée. Les modèles multiplicatifs ont tendance à améliorer considérablement la qualité des prévisions à partir de la valeur des données, et la tendance ou la saisonnalité est basée sur l'ampleur des données. Comme la multiplication est impliquée dans le modèle multiplicatif, aucune des valeurs n'a besoin d'être nulle ou tend vers zéro.

Granularité et découpage

Pour créer une prévision des données, la sélection de la dimension temporelle est essentielle pour voir et prédire dans la référence temporelle donnée. Les dates Tableau fournissent une plage d'unités de temps, y compris le jour, le mois, le trimestre et l'année. La granularité est l'unité choisie pour la date.

Habituellement, les données ne s'alignent pas précisément sur l'unité de granularité. Par exemple, si vous définissez les données dans la valeur du trimestre, les données réelles peuvent s'arrêter avant le trimestre. La création supplémentaire d'un problème tout en prédisant le modèle, en tant que trimestre complet, est prise en compte par le modèle, qui est généralement une valeur inférieure à un trimestre entier.

Si vous autorisez les modèles de prévision de données à choisir des données, la prévision ultérieure sera imprécise. La réduction des données est l'une des solutions. Les périodes de fin qui font dérailler la prévision sont ignorées à l'aide de l'option Ignorer le dernier fournie dans la boîte de dialogue Options de prévision des données . L'option par défaut est de couper/compléter une période.

Lisez aussi: 16 meilleurs projets de science des données en Python que vous devez connaître

Conclusion

Les valeurs de données temporelles ont leurs propres règles et implications. L'utilisation du bon volume de données est essentielle pour une meilleure prédiction et les estimations requises pour les futures adaptabilités commerciales. Les prévisions dans Tableau sont si réalisables qu'elles peuvent être connectées à n'importe quel logiciel et utilisées pour obtenir des prédictions de données futuristes et riches basées sur la valeur des données. Les prévisions dans Tableau tentent automatiquement de prédire la tendance ; après avoir lu cet article, vous devez être clair sur le fait que l'utilisation de "Automatique" ne correspond pas à toutes les valeurs de données.

L'apprentissage de Tableau est essentiel pour les personnes qui aspirent à apprendre et à faire carrière dans la science des données et la visualisation. Comprendre les concepts et utiliser l'outil est assez délicat pour les débutants, tandis que l'apprentissage des experts de l'industrie fournit le bon départ.

Si vous êtes curieux d'en savoir plus sur la science des données, consultez le programme Executive PG en science des données de IIIT-B & upGrad qui est créé pour les professionnels en activité et propose plus de 10 études de cas et projets, des ateliers pratiques, un mentorat avec des experts de l'industrie, 1 -on-1 avec des mentors de l'industrie, plus de 400 heures d'apprentissage et d'aide à l'emploi avec les meilleures entreprises.