การพยากรณ์ทำงานอย่างไรใน Tableau: การสร้างการพยากรณ์

การพยากรณ์เป็นเรื่องเกี่ยวกับการคาดการณ์มูลค่าในอนาคตในแต่ละรุ่น แบบจำลองทางคณิตศาสตร์จำนวนมากใช้สำหรับการคาดการณ์ ในเวลาเดียวกัน Tableau เป็นหนึ่งในคำสั่งและเครื่องมือแสดงภาพข้อมูลที่แม่นยำซึ่งเน้นที่การสร้างสำหรับอุตสาหกรรมข่าวกรองธุรกิจเป็นหลัก การคาดการณ์ข้อมูล มีความสำคัญต่อการคาดการณ์ และดำเนินการตามข้อมูลทางธุรกิจที่สร้างขึ้น Tableau สามารถใช้กับแหล่งข้อมูลได้มากมาย เช่น ข้อความ ไม่มีฐานข้อมูล SQL, Excel, ฐานข้อมูล SQL เป็นต้น

เรียนรู้ หลักสูตรวิทยาศาสตร์ข้อมูลออนไลน์ จากมหาวิทยาลัยชั้นนำของโลก รับโปรแกรม PG สำหรับผู้บริหาร โปรแกรมประกาศนียบัตรขั้นสูง หรือโปรแกรมปริญญาโท เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

การปรับให้เรียบแบบเอกซ์โพเนนเชียลเป็นเทคนิคที่ใช้ใน การพยากรณ์ใน Tableau อัลกอริธึมการคาดการณ์พยายามสร้างรูปแบบปกติซึ่งสามารถนำมาใช้เพื่อความต่อเนื่องในอนาคต คุณเพิ่มการคาดการณ์ลงในมุมมอง ซึ่งประกอบด้วยฟิลด์ข้อมูลที่ประกอบด้วยหนึ่งหน่วยวัด อย่างไรก็ตาม Tableau สร้างการคาดการณ์เพื่อดูว่าไม่มีข้อมูลหรือไม่ ซึ่งประกอบด้วยมิติที่มีค่าจำนวนเต็มและหน่วยวัดอย่างน้อยหนึ่งรายการ

อัลกอริทึมการคาดการณ์

ข้อมูลจริงที่สร้างขึ้นต้องใช้อัลกอริธึมที่ง่ายกว่าเพื่อให้ได้ผลลัพธ์ที่ดีกว่าและใช้งานง่าย ซึ่งใช้ได้กับอัลกอริธึมการคาดการณ์ทั้งหมดใน Tableau ในการสร้างการคาดการณ์คุณภาพสูง ทั้งรูปแบบที่สร้างโดยแบบจำลองและการ คาดการณ์ข้อมูล ในโลกแห่งความเป็นจริง ควรตรงกันอย่างสมเหตุสมผล ที่นี่ใช้เมตริกคุณภาพเพื่อวัดการแข่งขันนี้ หากคุณภาพต่ำ แถบความเชื่อมั่นของแถบคุณภาพและคะแนนคุณภาพจะไม่ถูกพิจารณาเนื่องจากความไม่ถูกต้องในการประมาณการทดสอบ

การ พยากรณ์ใน Tableau Tableau เลือกรุ่นสูงสุดซ้ำ ๆ มากถึงแปดรุ่น เลือกการคาดการณ์คุณภาพสูงสุดก่อน ก่อนที่ Tableau จะประเมินคุณภาพการคาดการณ์ พารามิเตอร์การปรับให้เรียบของแต่ละรุ่นจะได้รับการปรับให้เหมาะสม

วิธีการปรับให้เหมาะสมนั้นใช้กันทั่วไปและใช้กันในแต่ละรุ่น ทำให้เป็นไปไม่ได้ที่จะเลือกพารามิเตอร์การปรับให้เรียบที่เหมาะสมที่สุดในพื้นที่ซึ่งไม่เหมาะสมทั่วโลก อย่างไรก็ตาม พารามิเตอร์ค่าหลักจะถูกเลือกตามแนวทางปฏิบัติที่ดีที่สุดและไม่ได้รับการปรับให้เหมาะสม ดังนั้นจึงมีโอกาสที่พารามิเตอร์ค่าเริ่มต้นจะเหมาะสมน้อยกว่า

เมื่อมีข้อจำกัดของข้อมูลสำหรับการแสดงภาพ Tableau จะพยายามคาดการณ์โดยอัตโนมัติด้วยรายละเอียดตามเวลาที่ดีขึ้น จากนั้นจึงรวมการคาดการณ์กับความละเอียดของการแสดงภาพ Tableau นำเสนอกลุ่มการคาดการณ์ซึ่งสามารถคำนวณได้จากสมการแบบปิด ทุกโมเดลที่มีองค์ประกอบแบบทวีคูณหรือด้วย การคาดการณ์ข้อมูล แบบรวมจะ มีแถบจำลอง ซึ่งทุกโมเดลจะขึ้นอยู่กับสมการแบบปิด

การปรับให้เรียบแบบเอกซ์โพเนนเชียลและเทรนด์

แบบจำลองการปรับให้เรียบแบบเอกซ์โพเนนเชียลใช้เพื่อคาดการณ์ค่าในอนาคตในอนุกรมเวลาของค่าที่สอดคล้องกันโดยใช้ค่าเฉลี่ยเอนเอียงของค่าในอดีตในชุดข้อมูลที่ทราบ โมเดลเจียมเนื้อเจียมตัวหนึ่งคือ Simple Exponential Smoothing; ในที่นี้ การคำนวณจะขึ้นอยู่กับค่าที่ปรับให้เรียบจากค่าเฉลี่ยถ่วงน้ำหนักและค่าจริงล่าสุด วิธีนี้เป็นเลขชี้กำลังเนื่องจากค่าที่ใหม่กว่าจะให้น้ำหนักมากกว่า และแต่ละค่าจะขึ้นอยู่กับค่าจริงก่อนหน้าทุกค่า

ส่วนประกอบตามฤดูกาลจะทำงานเมื่อค่าที่วัดได้แสดงแนวโน้มหรือฤดูกาลในช่วงเวลาตามมูลค่าการทำงาน แนวโน้มเป็นคุณสมบัติของข้อมูลที่จะเพิ่มหรือลดลงในช่วงเวลาที่กำหนด ฤดูกาลเป็นการตอกย้ำความผันแปรที่คาดหวังในการค้นหามูลค่า เช่น ความผันผวนของปริมาณน้ำฝนหรือการเกิดน้ำท่วมฉับพลัน

โดยทั่วไป สามารถ คาดการณ์ข้อมูล ได้ดีขึ้น เมื่อมีข้อมูลจำนวนมากในช่วงเวลาหนึ่ง การมีข้อมูลที่เพียงพอเป็นสิ่งสำคัญที่สุดในขณะที่สร้างแบบจำลองตามฤดูกาลเนื่องจากความซับซ้อนในแบบจำลอง และความแม่นยำที่มากขึ้นสามารถทำได้ก็ต่อเมื่อมีหลักฐานข้อมูลที่มากขึ้นเท่านั้น เนื่องจากข้อจำกัด ไม่สามารถสร้างการคาดการณ์จากค่าข้อมูล 2 ค่าขึ้นไป

ฤดูกาล

เพื่อประมาณการการ คาดการณ์ข้อมูล ในการทดลอง Tableau สำหรับวัฏจักรตามฤดูกาลโดยทั่วไปแล้วจะมีความยาวสำหรับการรวมเวลาในอนุกรมเวลา หากรวมเป็นเดือน Tableau จะตรวจสอบรอบ 12 เดือน หากรวมตามไตรมาส ระบบจะค้นหารอบสี่ไตรมาส และหากรวมตามวัน ระบบจะค้นหาฤดูกาลรายสัปดาห์ หากคุณพิจารณารอบหกเดือนในอนุกรมเวลารายเดือน Tableau จะค้นหารูปแบบปีที่มีสองรูปแบบย่อยที่คล้ายคลึงกัน หากพิจารณารอบเจ็ดเดือนในอนุกรมเวลารายเดือน Tableau จะค้นหาไม่มีวงจรเลยเนื่องจากเป็นเรื่องปกติ

เนื่องจากทุกการเลือกถูกเลือกโดยอัตโนมัติ Tableau ได้มาจากข้อมูลที่กำหนดระยะเวลาของฤดูกาลที่เป็นไปได้ ประเภทโมเดล "อัตโนมัติ" ที่เป็นค่าเริ่มต้นในเมนูประเภทแบบจำลองกล่องโต้ตอบตัวเลือกการคาดการณ์จะไม่เปลี่ยนแปลง ขณะที่การเลือก "อัตโนมัติโดยไม่มีฤดูกาล" จะช่วยเพิ่มประสิทธิภาพโดยการคาดการณ์ความยาวทั้งหมดของซีซันเป็นการตรวจสอบและประเมินโมเดลตามฤดูกาล

ประเภทรุ่น

ใน การ พยากรณ์ใน Tableau เมื่อคุณเลือกกล่องโต้ตอบตัวเลือกการคาดการณ์ คุณจะได้รับประเภทแบบจำลองที่ใช้สำหรับข้อมูลของคุณ มีการตั้งค่าอัตโนมัติตามค่าเริ่มต้นที่นี่ และการตั้งค่านี้เหมาะสมที่สุดสำหรับมุมมองหลักของข้อมูล ภายใต้ กำหนดเอง คุณจำเป็นต้องระบุแนวโน้มและลักษณะของฤดูกาล ระหว่างประเภทไม่มี การเพิ่มเติม หรือแบบทวีคูณ

แหล่งที่มา

ในแบบจำลองการเติม การมีส่วนร่วมของส่วนประกอบแบบจำลองแต่ละครั้งจะถูกเพิ่มเข้าไป ในขณะที่ในแบบจำลองการคูณ การมีส่วนร่วมของส่วนประกอบน้อยที่สุดจะถูกคูณ ตัวแบบการคูณมีแนวโน้มที่จะปรับปรุงคุณภาพการคาดการณ์จากมูลค่าของข้อมูลอย่างมาก และแนวโน้มหรือฤดูกาลจะขึ้นอยู่กับขนาดของข้อมูล เนื่องจากการคูณเกี่ยวข้องกับตัวแบบการคูณ ค่าใด ๆ ไม่จำเป็นต้องเป็นศูนย์หรือมีแนวโน้มที่จะเป็นศูนย์

ความละเอียดและการตัดแต่ง

ในการสร้างการคาดการณ์ของข้อมูล การเลือกมิติเวลาเป็นสิ่งสำคัญในการดูและคาดการณ์ในการอ้างอิงเวลาที่กำหนด วันที่แบบตารางให้ช่วงของหน่วยเวลา ซึ่งรวมถึงวัน เดือน ไตรมาส และปี Granularity คือหน่วยที่เลือกไว้สำหรับวันที่

โดยปกติ ข้อมูลจะไม่จัดตำแหน่งอย่างแม่นยำกับหน่วยความละเอียด ตัวอย่างเช่น หากคุณตั้งค่าข้อมูลเป็นมูลค่าของไตรมาส ข้อมูลจริงอาจหยุดก่อนไตรมาส การสร้างปัญหาเพิ่มเติมในขณะที่คาดการณ์แบบจำลอง เป็นไตรมาสเต็ม จะพิจารณาโดยแบบจำลอง ซึ่งโดยทั่วไปแล้วจะเป็นค่าที่ต่ำกว่าทั้งไตรมาส

หากคุณอนุญาตให้ แบบจำลอง การคาดการณ์ ข้อมูลเลือกข้อมูล การคาดการณ์ที่ตามมาจะไม่แม่นยำ การตัดข้อมูลเป็นหนึ่งในวิธีแก้ปัญหา ช่วงเวลาต่อท้ายที่ทำให้การคาดการณ์หยุดชะงักจะถูกละเลยโดยใช้ตัวเลือกละเว้นล่าสุดที่มีให้ใน กล่องโต้ตอบตัวเลือกการ คาดการณ์ข้อมูล ตัวเลือกเริ่มต้นคือการตัดแต่ง/ทำให้ครบหนึ่งช่วง

ยังอ่าน: 16 โครงการวิทยาศาสตร์ข้อมูลยอดนิยมใน Python ที่คุณต้องรู้เกี่ยวกับ

บทสรุป

ค่าข้อมูลตามเวลามีกฎและความหมายของตัวเอง การใช้ข้อมูลในปริมาณที่เหมาะสมเป็นสิ่งสำคัญสำหรับการคาดการณ์และการประมาณการที่ดีขึ้นซึ่งจำเป็นสำหรับการปรับตัวทางธุรกิจในอนาคต การ พยากรณ์ใน Tableau เป็นไปได้มากจนสามารถเชื่อมต่อกับซอฟต์แวร์ใดๆ ก็ได้ และใช้เพื่อรับการคาดการณ์ข้อมูลที่ล้ำยุคและสมบูรณ์ตามค่าข้อมูล การ พยากรณ์ใน Tableau จะพยายามทำนายแนวโน้มโดยอัตโนมัติ หลังจากอ่านบทความนี้แล้ว คุณควรชัดเจนว่าการใช้ "อัตโนมัติ" ไม่เหมาะกับค่าข้อมูลทั้งหมด

Learning Tableau เป็นสิ่งจำเป็นสำหรับผู้ที่ต้องการเรียนรู้และมีอาชีพด้าน Data Science และการสร้างภาพข้อมูล การทำความเข้าใจแนวคิดและการใช้เครื่องมือนี้ค่อนข้างยากสำหรับผู้เริ่มต้น ในขณะที่การเรียนรู้ของผู้เชี่ยวชาญในอุตสาหกรรมเป็นการเริ่มต้นที่ถูกต้อง

หากคุณอยากเรียนรู้เกี่ยวกับวิทยาศาสตร์ข้อมูล ลองดู โปรแกรม Executive PG ของ IIIT-B & upGrad ใน Data Science ซึ่งสร้างขึ้นสำหรับมืออาชีพที่ทำงานและมีกรณีศึกษาและโครงการมากกว่า 10 รายการ เวิร์กช็อปภาคปฏิบัติจริง การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม 1 -on-1 พร้อมที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ