Cum funcționează prognoza în Tableau: crearea unei prognoze

Prognoza este despre prevederea valorii viitoare a fiecărui model. Multe modele matematice sunt folosite pentru prognoză. În același timp, Tableau este unul dintre comenzile și instrumentele precise de vizualizare a datelor, concentrate în principal pe generare pentru industria de Business Intelligence. Prognoza datelor este vitală pentru predicție și acționează pe baza inteligenței de afaceri generate. Tableau poate fi folosit cu multe surse de date, cum ar fi text, baze de date fără SQL, Excel, baze de date SQL etc.

Învață cursuri online de știință a datelor de la cele mai bune universități din lume. Câștigă programe Executive PG, programe avansate de certificat sau programe de master pentru a-ți accelera cariera.

Netezirea exponențială este tehnica utilizată pentru prognoză în Tableau . Algoritmii de prognoză încearcă să stabilească un model regulat care poate fi adoptat pentru continuitatea viitoare. În mod firesc, adăugați o prognoză în vizualizare, care conține un câmp de date format dintr-o măsură. Cu toate acestea, Tableau creează o prognoză pentru a vedea dacă nu există date, care constă în dimensiuni cu valori întregi și cel puțin o măsură.

Algoritmi de prognoză

Datele reale generate necesită algoritmi mai simpli pentru a produce rezultate mai bune și sunt ușor de utilizat, ceea ce este disponibil cu toți algoritmii de prognoză din Tableau. Pentru a genera o prognoză de înaltă calitate, atât modelul generat de model, cât și prognoza datelor din lumea reală ar trebui să se potrivească în mod rezonabil. Aici sunt folosite valorile de calitate pentru a măsura această potrivire. Dacă calitatea este scăzută, banda de încredere a benzii de calitate și scorul de calitate nu sunt luate în considerare din cauza inexactității estimărilor de testare.

Prognoza în Tableau , Tableau alege în mod repetat partea de sus, până la opt modele; se alege prima prognoză de cea mai înaltă calitate. Înainte ca Tableau să evalueze calitatea prognozei, parametrii de netezire ai fiecărui model sunt optimizați.

Metoda de optimizare este comună și utilizată în fiecare model, ceea ce face imposibilă alegerea parametrilor de netezire optimi la nivel local care nu sunt optimi la nivel global. Cu toate acestea, parametrii valorii primari sunt aleși pe baza celor mai bune practici și nu sunt optimizați. Deci, există șansa ca parametrii valorii inițiale să fie mai puțin optimi.

Când există o limitare a datelor pentru vizualizare, Tableau încearcă automat să facă prognoză cu o granularitate mai bună bazată pe timp și apoi însumează prognoza la granularitatea vizualizării. Tableau oferă grupuri de prognoză care pot fi calculate dintr-o ecuație în formă închisă. Fiecare model cu o componentă multiplicativă sau cu previziuni de date combinate conține benzi simulate, în care fiecare model se bazează pe ecuația în formă închisă.

Netezire exponențială și tendință

Modelele de netezire exponențială sunt utilizate pentru a prognoza valorile viitoare într-o serie temporală consistentă de valori folosind valori medii părtinitoare ale valorilor trecute din seria cunoscută. Un model modest este Simple Exponential Smoothing; aici, calculul se bazează pe valoarea netezită dintr-o valoare medie ponderată și ultima valoare reală. Această metodă este exponențială deoarece valorilor mai recente li se acordă mai multă pondere și fiecare valoare se bazează pe fiecare valoare reală anterioară.

Componentele sezoniere sunt operative atunci când valoarea măsurată prezintă tendințe sau sezonalitate pe perioada de timp pe valoarea operativă. Tendința este o proprietate a datelor de a crește sau de a scădea într-o anumită perioadă de timp. Sezonalitatea este o variație reiterativă, așteptată, în căutarea valorii, cum ar fi o fluctuație a precipitațiilor sau apariția unor viituri rapide.

În general, o prognoză mai bună a datelor poate fi obținută atunci când sunt disponibile o mulțime de date pe perioada de timp. A avea suficiente date este cel mai important în timp ce modelați sezonalitatea datorită complexității modelului, iar o precizie mai mare poate fi obținută numai cu mai multe dovezi ale datelor disponibile. Din cauza limitărilor, o prognoză nu poate fi generată din 2 sau mai multe valori de date.

Sezonalitatea

Pentru a estima prognoza datelor în încercările Tableau pentru un ciclu sezonier, de obicei, cu lungimea pentru agregarea temporală între seriile de timp. Dacă este agregat pe luni, Tableau va verifica un ciclu de 12 luni; dacă este agregat pe trimestre, se caută ciclul de patru sferturi, iar dacă este agregat pe zile, se caută sezonalitatea săptămânală. Dacă luați în considerare un ciclu de șase luni într-o serie temporală lunară, Tableau va căuta un model de an care conține două submodele similare. Dacă se ia în considerare un ciclu de șapte luni în serii de timp lunare, Tableau nu va căuta niciun ciclu, deoarece acestea sunt mai puțin frecvente.

Deoarece fiecare selecție este selectată automat, un Tableau derivă posibile durate de sezon din datele date, tipul implicit de model „Automat” din meniul Tip de model din dialogul Opțiuni de prognoză nu este modificat. În timp ce Selectarea „Automatic fără sezonalitate” ajută la performanță prin prezicerea întregii durate a sezonului, sondarea și evaluarea modelelor sezoniere.

Tipuri de modele

În Forecasting in Tableau , când alegeți caseta de dialog Forecast Options, vi se oferă tipul de model utilizat pentru datele dvs. Aici este furnizată setarea automată implicită, iar aceasta este optimă pentru vizualizarea primară a datelor. Sub Personalizat, trebuie să specificați tendințele și caracteristicile sezonului, dintre tipurile Nici unul, Aditiv sau Multiplicativ.

Sursă

Într-un model aditiv, fiecare contribuție a componentelor modelului este adăugată, în timp ce, într-un model multiplicativ, o contribuție minimă a componentelor este înmulțită. Modelele multiplicative tind să îmbunătățească semnificativ calitatea prognozei din valoarea datelor, iar tendința sau sezonalitatea se bazează pe amploarea datelor. Deoarece înmulțirea este implicată în modelul multiplicativ, niciuna dintre valori nu trebuie să fie zero sau tinde spre zero.

Granularitatea și tunderea

Pentru a crea o prognoză a datelor, selecția dimensiunii de timp este esențială pentru a vedea și a prezice în referința de timp dată. Datele din tablou oferă o serie de unități de timp, inclusiv ziua, luna, trimestrul și anul. Granularitatea este unitatea aleasă pentru dată.

De obicei, datele nu se vor alinia exact cu unitatea de granularitate. De exemplu, dacă setați datele în valoarea trimestrului, datele reale se pot opri înainte de trimestru. Crearea în continuare a unei probleme în timp ce se prevede modelul, ca un trimestru complet, este considerată de model, care este de obicei o valoare mai mică decât un trimestru întreg.

Dacă permiteți modelelor de prognoză a datelor să aleagă datele, atunci prognoza ulterioară va fi imprecisă. Tăierea datelor este una dintre soluții. Perioadele de ultimă oră care deraiează prognoza sunt neglijate prin utilizarea opțiunii Ignorați ultima oferită în caseta de dialog Opțiuni pentru prognoza datelor . Opțiunea implicită este de a tăia/încheia o perioadă.

Citește și: 16 proiecte de top pentru știința datelor în Python despre care trebuie să știi

Concluzie

Valorile datelor bazate pe timp au propriile reguli și implicații. Utilizarea volumului corect de date este esențială pentru o mai bună predicție și estimări necesare pentru adaptabilitățile viitoare ale afacerii. Prognoza în Tableau este atât de fezabilă încât poate fi conectată la orice software și utilizată pentru a obține predicții futuriste și bogate pe baza valorii datelor. Prognoza în Tableau încearcă automat să prezică tendința; După ce ați citit acest articol, ar trebui să fiți clar că utilizarea „Automatic” nu se potrivește tuturor valorilor datelor.

Învățarea Tableau este esențială pentru persoanele care aspiră să învețe și să aibă o carieră în știința datelor și vizualizare. Înțelegerea conceptelor și utilizarea instrumentului este destul de dificilă pentru începători, în timp ce învățarea experților din industrie oferă începutul corect.

Dacă sunteți curios să aflați despre știința datelor, consultați programul Executive PG în știința datelor de la IIIT-B și upGrad, care este creat pentru profesioniști care lucrează și oferă peste 10 studii de caz și proiecte, ateliere practice practice, mentorat cu experți din industrie, 1 -on-1 cu mentori din industrie, peste 400 de ore de învățare și asistență profesională cu firme de top.