Jak działa prognozowanie w Tableau: tworzenie prognozy

Prognozowanie polega na przewidywaniu przyszłej wartości w każdym modelu. Do prognozowania wykorzystuje się wiele modeli matematycznych. Jednocześnie Tableau jest jednym z dowódców i precyzyjnych narzędzi wizualizacji danych skupionych głównie na generowaniu dla branży Business Intelligence. Prognozowanie danych ma kluczowe znaczenie dla przewidywania i działa w oparciu o wygenerowaną analizę biznesową. Tableau może być używany z wieloma źródłami danych, takimi jak tekst, bazy danych bez SQL, Excel, bazy danych SQL itp.

Ucz się kursów nauki danych online z najlepszych uniwersytetów na świecie. Zdobywaj programy Executive PG, Advanced Certificate Programs lub Masters Programs, aby przyspieszyć swoją karierę.

Wygładzanie wykładnicze to technika używana do prognozowania w Tableau . Algorytmy prognostyczne próbują ustalić regularny wzór, który można przyjąć dla przyszłej ciągłości. Naturalnie dodajesz prognozę do widoku, który zawiera pole danych składające się z jednej miary. Jednak Tableau tworzy prognozę, aby zobaczyć, czy nie ma danych, która składa się z wymiarów z wartościami całkowitymi i co najmniej jednej miary.

Algorytmy prognoz

Generowane dane w świecie rzeczywistym wymagają prostszych algorytmów, aby uzyskać lepsze wyniki i są łatwe w użyciu, co jest dostępne we wszystkich algorytmach prognozowania w Tableau. Aby wygenerować prognozę wysokiej jakości, zarówno wzorzec wygenerowany przez model, jak i prognozowanie danych rzeczywistych powinny być rozsądnie dopasowane. Tutaj do pomiaru tego dopasowania wykorzystywane są wskaźniki jakości. Jeśli jakość jest niska, przedział ufności pasma jakości i wynik jakości nie są brane pod uwagę z powodu niedokładności oszacowań testowych.

Prognozowanie w Tableau , Tableau wielokrotnie wybiera najlepsze, aż do ośmiu modeli; najwyższa jakość prognozy jest wybierana jako pierwsza. Zanim Tableau oceni jakość prognozy, parametry wygładzania każdego modelu są optymalizowane.

Metoda optymalizacji jest powszechna i stosowana w każdym modelu, co uniemożliwia wybór lokalnie optymalnych parametrów wygładzania, które nie są optymalne globalnie. Jednak podstawowe parametry wartości są wybierane na podstawie najlepszych praktyk i nie są optymalizowane. Jest więc szansa, że ​​parametry wartości początkowej są mniej optymalne.

Gdy istnieje ograniczenie danych do wizualizacji, Tableau automatycznie próbuje prognozować z lepszą szczegółowością opartą na czasie, a następnie sumuje prognozę z szczegółowością wizualizacji. Tableau dostarcza grupy prognoz, które można obliczyć z równania w formie zamkniętej. Każdy model ze składnikiem multiplikatywnym lub ze złożonymi prognozami danych zawiera symulowane pasma, w których każdy model jest oparty na równaniu o postaci zamkniętej.

Wygładzanie wykładnicze i trend

Modele wygładzania wykładniczego są używane do prognozowania przyszłych wartości w spójnych szeregach czasowych wartości przy użyciu obciążonych średnich wartości przeszłych wartości w znanych szeregach. Jednym ze skromnych modeli jest proste wygładzanie wykładnicze; tutaj obliczenia są oparte na wygładzonej wartości ze średniej ważonej wartości i ostatniej rzeczywistej wartości. Ta metoda jest wykładnicza, ponieważ nowsze wartości mają większą wagę, a każda wartość jest oparta na każdej poprzedniej wartości rzeczywistej.

Składniki sezonowe działają, gdy zmierzona wartość wykazuje trend lub sezonowość w okresie czasu na wartości operacyjnej. Trend jest właściwością danych, która zwiększa się lub zmniejsza w danym okresie czasu. Sezonowość to powtarzająca się, oczekiwana zmienność w poszukiwaniu wartości, taka jak fluktuacja opadów lub występowanie gwałtownych powodzi.

Ogólnie rzecz biorąc, lepsze prognozowanie danych można uzyskać, gdy w danym okresie dostępnych jest dużo danych. Posiadanie wystarczającej ilości danych jest najważniejsze podczas modelowania sezonowości ze względu na złożoność modelu, a większą precyzję można osiągnąć tylko przy większej liczbie dostępnych dowodów danych. Ze względu na ograniczenia prognozy nie można wygenerować z 2 lub więcej wartości danych.

Sezonowość

Aby oszacować prognozę danych w próbach Tableau dla cyklu sezonowego, zwykle z długością agregacji czasowej w szeregach czasowych. Po zsumowaniu według miesięcy Tableau sprawdzi cykl 12-miesięczny; w przypadku agregacji według kwartałów przeszukiwany jest cykl czterokwartalny, a w przypadku agregacji według dni przeszukiwana jest sezonowość tygodniowa. Jeśli weźmiesz pod uwagę sześciomiesięczny cykl w miesięcznym szeregu czasowym, Tableau wyszuka wzór roczny zawierający dwa podobne wzorce podrzędne. Jeśli weźmiemy pod uwagę siedmiomiesięczny cykl w miesięcznych szeregach czasowych, Tableau nie będzie szukać żadnego cyklu, ponieważ są one rzadkie.

Ponieważ każdy wybór jest wybierany automatycznie, a Tableau wyprowadza możliwe długości sezonu z podanych danych, domyślny typ modelu „Automatyczny” w menu Typ modelu okna dialogowego Opcje prognozy nie ulega zmianie. Podczas gdy wybranie opcji „Automatyczne bez sezonowości” wspomaga wydajność, przewidując całą długość sezonu, sondując i oceniając modele sezonowe.

Typy modeli

W Prognozowanie w Tableau po wybraniu okna dialogowego Opcje prognozy wyświetlany jest typ modelu używany dla danych. Tutaj zapewnione jest domyślne ustawienie Automatyczne, które jest optymalne dla podstawowego widoku danych. W obszarze Niestandardowe należy określić charakterystykę trendu i sezonu spośród typów Brak, Dodatek lub Mnożnik.

Źródło

W modelu addytywnym każdy wkład komponentów modelu jest dodawany, podczas gdy w modelu multiplikatywnym mnożony jest minimalny udział komponentów. Modele multiplikatywne mają tendencję do znacznej poprawy jakości prognoz na podstawie wartości danych, a trend lub sezonowość opierają się na wielkości danych. Ponieważ mnożenie jest zaangażowane w model multiplikatywny, żadna z wartości nie musi wynosić zero lub dąży do zera.

Ziarnistość i przycinanie

Aby utworzyć prognozę danych, niezbędny jest wybór wymiaru czasu, aby zobaczyć i przewidzieć w danym czasie odniesienia. Daty Tableau zapewniają zakres jednostek czasu, w tym dzień, miesiąc, kwartał i rok. Ziarnistość to jednostka wybrana dla daty.

Zwykle dane nie są dokładnie dopasowane do jednostki granulacji. Na przykład, jeśli ustawisz dane w wartości kwartału, rzeczywiste dane mogą zatrzymać się przed kwartałem. Dalsze tworzenie problemu podczas prognozowania modelu, jako pełnego kwartału, jest brane pod uwagę przez model, który zazwyczaj ma niższą wartość niż cały kwartał.

Jeśli pozwolisz modelom prognozowania danych na wybór danych, kolejna prognoza będzie nieprecyzyjna. Jednym z rozwiązań jest przycinanie danych. Okresy końcowe, które wypaczają prognozę, są pomijane przy użyciu opcji Ignoruj ​​ostatnie dostępne w oknie dialogowym Opcje prognozy danych . Domyślną opcją jest przycięcie/ukończenie jednego okresu.

Przeczytaj także: 16 najlepszych projektów data science w Pythonie, o których musisz wiedzieć

Wniosek

Wartości danych opartych na czasie mają swoje własne zasady i konsekwencje. Korzystanie z odpowiedniej ilości danych jest niezbędne do lepszego przewidywania i szacowania wymaganych dla przyszłych adaptacji biznesowych. Prognozowanie w Tableau jest tak wykonalne, że można je podłączyć do dowolnego oprogramowania i wykorzystać do uzyskania futurystycznych i bogatych prognoz danych na podstawie wartości danych. Prognozowanie w Tableau automatycznie próbuje przewidzieć trend; po przeczytaniu tego artykułu powinno być jasne, że użycie „Automatyczne” nie pasuje do wszystkich wartości danych.

Learning Tableau jest niezbędny dla osób, które chcą się uczyć i robić karierę w Data Science i wizualizacji. Zrozumienie pojęć i korzystanie z narzędzia jest dość trudne na początek, podczas gdy nauka ekspertów branżowych zapewnia właściwy początek.

Jeśli jesteś zainteresowany nauką o danych, sprawdź program IIIT-B i upGrad Executive PG w dziedzinie Data Science , który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami z branży, 1 -on-1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.