Com funcionen els pronòstics en Tableau - Tableau

Els pronòstics en Tableau utilitzen una tècnica coneguda com homogeneïtzació exponencial. Els algoritmes de pronòstic tracten de buscar un patró regular en mesures que puguin continuar-se en el futur. Si li interessa el modelatge predictiu, també disponible a Tableau, consulteu Funcions de modelatge predictiu en Tableau

Vegeu un vídeo: per consultar conceptes relacionats mostrats en Tableau, consulteu Previsió (Link opens in a new window), un vídeo de capacitació de sis minuts gratuït. Utilitza el teu compte de tableau.com (Link opens in a new window) per iniciar sessió.

Normalment s’afegeix un pronòstic a una vista que conté un camp de data i, com a mínim, una mesura. No obstant això, si no hi ha cap data, Tableau pot crear un pronòstic per a una vista que contingui una dimensió amb valors sencers i, com a mínim, una mesura.

Per obtenir més informació sobre com crear un pronòstic, consulteu crear un pronòstic. Per a més informació sobre com efectuar pronòstics amb una dimensió d’enters, consulteu Previsió quan no hi ha dates a la vista.

Descripció general

Tots els algoritmes de previsió són models simples de processos de generació de dades (DGP) de l’món real. Per obtenir una major qualitat en la previsió, el patró simple de DGP ha de coincidir amb el patró que descriu el model. Les mètriques de qualitat avaluen el grau de coincidència dels models amb el DGP. Si la qualitat és baixa, la precisió no és important, ja que s’avaluarà la precisió d’una estimació inexacta.

Tableau selecciona automàticament els vuit millors models, sent el millor el que genera la previsió de més qualitat. Els paràmetres de suavitzat de cada model s’optimitzen abans que Tableau avaluï la qualitat de la previsió. El mètode d’optimització és global. Per tant, és possible seleccionar paràmetres de suavitzat localment òptims que no siguin els millors des del punt de vista global. No obstant això, els paràmetres de valor inicial es seleccionaran segons els procediments recomanats, encara que no s’optimitzaran. Per tant, és possible que els paràmetres de la valor inicial no siguin els òptims. Els vuit models disponibles a Tableau es troben entre els descrits en la següent ubicació en el lloc web de OTexts: Taxonomia de mètodes de suavitzat exponencial (Link opens in a new window).

Quan no hi ha prou dades en la visualització, Tableau intentarà preveure automàticament amb un nivell de detall temporalment alt i anirà agregant el pronòstic en la granularitat de la visualització. Tableau ofereix bandes de pronòstics que es poden simular o calcular des d’una equació de formulari tancada. Tots els models que tinguin un component de multiplicació o amb pronòstics agregats tindran bandes simulades, mentre que la resta de models usarà les equacions de formulari tancades.

Homogeneïtzació exponencial i tendència

Els models de Homogeneïtzació exponencial pronostiquen de manera iterativa valors futurs d’una sèrie de valors de temps regulars a partir de mitjanes ponderades de valors de sèries passats. El model més senzill, Homogeneïtzació exponencial simple, calcula el pròxim nivell o valor homogeni d’una mitjana ponderada de l’últim valor real i l’últim valor de nivell. El mètode és exponencial perquè el valor de cada nivell rep la influència de cada valor real precedent a un grau que disminueix exponencialment. Els valors més recents tenen més ponderació.

Models homogenis exponencials amb components de tendència o de temporada són efectius quan la mesura que es pronosticarà s’exhibeix tendències o temporalitat al llarg de el període de temps en el qual es basa el pronòstic. Tendència és la tendència que tenen les dades d’augmentar o disminuir amb el temps. Temporalitat és una variació repetitiva i predictible de la valor, com una fluctuació anual a la temperatura en relació amb la temporada.

En general, com més punts de dades tingui en la seva sèrie de temps, millor serà el pronòstic resultant . És especialment important disposar de prou dades si desitja modelar la temporalitat, ja que el model és més complicat i requereix més proves en forma de dades per aconseguir un nivell de precisió raonable. A més, si vols utilitzar les dades generades per dos o més DGP diferents, obtindrà un pronòstic de menor qualitat, ja que el model només pot coincidir amb un.

Temporalitat

Tableau normalment prova un cicle de temporada amb la longitud més típica de l’agregació de temps de la sèrie de temps per a la qual es va estimar el pronòstic.És a dir, si afegeix per mesos, Tableau buscarà un cicle de 12 mesos; si afegeix per trimestres, Tableau buscarà un cicle de quatre trimestres; i si afegeix per dies, Tableau buscarà una temporalitat setmanal. Per tant, si hi ha un cicle de sis mesos en la seva sèrie de temps mensual, és probable que Tableau busqui un patró de 12 mesos que contingui dos subpatrons similars. No obstant això, si hi ha un cicle de set mesos en la seva sèrie de temps mensual, és probable que Tableau no busqui cap cicle. Afortunadament, els cicles de set mesos són poc comuns.

Tableau pot utilitzar qualsevol dels dos mètodes per obtenir la longitud estacional. El mètode temporal original utilitza la longitud estacional natural de la granularitat temporal de la vista. Per granularitat temporal s’entén la unitat temporal més precisa expressada per la vista. Per exemple, si la vista conté una data verd, contínua i truncada per mes, o parts de data d’any i mes, blaus i discretes, la granularitat temporal de la vista serà de mes. El nou mètode atemporal, introduït en Tableau 9.3, utilitza la regressió periòdica per comprovar les longituds estacionals compreses entre la 2 i la 60 per a les longituds candidates.

Tableau selecciona automàticament el mètode més adequat per a una determinada vista. Quan Tableau empra una data per ordenar les mesures d’una vista, si la granularitat temporal és trimestral, mensual, setmanal, diària o per hores, les longituds estacionals seran, gairebé segur, 4, 12, 13, 7 o 24, respectivament. Així doncs, només s’utilitza la longitud natural per a la granularitat temporal amb l’objectiu de crear els cinc models estacionals d’homogeneïtzació exponencial compatibles amb Tableau. Els AIC dels cinc models estacionals i els tres models no estacionals es comparen i es retorna l’inferior (per veure una explicació de la mètrica AIC, consulteu Descripcions de pronòstics).

Quan Tableau utilitza una dimensió d’enters per efectuar un pronòstic, s’empra el segon mètode. En aquest cas no hi ha granularitat temporal, de manera que les longituds estacionals potencials han de derivar de les dades.

El segon mètode també s’empra si la granularitat temporal és anual. Les sèries anuals poques vegades tenen estacionalitat; però, si en tenen, també han de derivar de les dades.

El segon mètode també s’empra en les vistes que tenen una granularitat temporal d’minut o segon. Si aquestes sèries tenen estacionalitat, les longituds estacionals probablement seran de 60. No obstant això, si es mesura un procés real normal, aquest podria tenir una repetició regular que no es correspongui amb el rellotge. Així doncs, per als minuts i els segons, Tableau també busca en les dades una longitud que no sigui 60. Això no vol dir que Tableau pugui modelar dues longituds estacionals diferents a el mateix temps, sinó que s’estimen deu models estacionals, cinc amb una longitud estacional de 60 i cinc més amb la longitud estacional derivada de les dades. Sigui quin sigui el model estacional (dels deu disponibles) o el model no estacional (dels tres disponibles) que tingui el AIC més baix, aquest es farà servir per calcular el pronòstic.

En les sèries ordenades per any, minut o segon, es comprova que el patró sigui prou clar en una sola longitud estacional de les dades. En les sèries ordenades per sencers, s’estimen fins a nou longituds estacionals potencials (una mica menys clares) per als cinc models estacionals; així mateix, es torna el model que té l’AIC més baix. Si no hi ha cap candidat de longitud estacional probable, només s’estimaran els models no estacionals.

Atès que totes les seleccions són automàtiques quan Tableau deriva longituds estacionals potencials des de les dades, el tipus de model per defecte “Automàtic” , que es troba al menú Tipus de model de la caixa de diàleg Opcions de pronòstic, no canvia. Si seleccioneu “Automàtic sense temporalitat” es millorarà el rendiment, ja que s’eliminen totes les cerques de longituds estacionals i totes les estimacions de models estacionals.

L’heurística que empra Tableau per decidir quan ha d’usar les longituds estacionals derivades de les dades depèn de la distribució dels errors de la regressió periòdica de cada longitud estacional candidata. Atès que l’acoblament de longituds estacionals candidates per regressió periòdica sol generar una o dues longituds clarament vencedores en el cas que les dades presentin estacionalitat, la devolució d’un sol candidat indica una possible estacionalitat. En aquest cas, Tableau estima els models estacionals que tinguin aquest candidat per a la granularitat d’any, minut i segon. la devolució d’un valor inferior a l’màxim de deu candidats indica una possible estacionalitat.En aquest cas, Tableau estima els models estacionals que tinguin tots els candidats retornats per les vistes ordenades per sencers. La devolució de l’nombre màxim de candidats indica que els errors de la majoria de les longituds són similars. Per tant, l’existència de qualsevol estacionalitat és poc probable. En aquest cas, Tableau només estima els models no estacionals per a una sèrie ordenada per sencers o per any i els models estacionals que tinguin una longitud estacional natural per a la resta de les vistes ordenades de forma temporal.

Al tipus de model “Automàtic” de les vistes ordenades per sencers, anys, minuts i segons, les longituds estacionals candidates sempre es deriven de les dades, tant si s’utilitzen com si no. com l’estimació de models requereix molt més temps que la regressió periòdica, l’impacte en el rendiment pot ser moderat.

tipus de model

en el quadre de diàleg Opcions de pronòstic, pot triar el tipus de model que usaran els usuaris de Tableau per els pronòstics. la configuració Automàtic generalment és òptima per a la majoria de les vistes. Si tria Personalitzat, llavors pot especificar les característiques de tendència i de temporada de forma independent, triant Cap, Additiu o multiplicador:

Un model additiu és un en què els contribuents als components de el model es sumen, mentre que un model multiplicador és un en el qual a el menys alguns contribuents de components es multipliquen. Els models multiplicadors poden millorar la qualitat de l’pronòstic de forma significativa per a les dades en el que les tendències o la temporalitat es veu afectada pel nivell (magnitud) de les dades.

Heu de tenir present que no necessita crear un model personalitzat per generar un pronòstic multiplicador: la configuració Automàtica pot determinar si un pronòstic multiplicador és adequat per a les seves dades. No obstant això, un model multiplicador no es pot calcular quan la mesura a pronosticar té un o més valors iguals o menors que zero.

Pronòstics temporals

Quan efectua un pronòstic amb una data, només pot haver-hi una data base a la vista. Les parts de data s’admeten, però totes elles han de fer referència a el mateix camp subjacent. Les dates poden estar en Files, Columnes o Marques (amb l’excepció de l’objectiu de la descripció emergent).

Tableau admet tres tipus de dates, dues de les quals poden utilitzar-se en els pronòstics:

Les dates truncades fan referència a un punt determinat en la història amb una granularitat temporal específica (per exemple, febrer de 2017). Solen ser contínues i tenen el color de fons verd a la vista. Les dates truncades són vàlides per als pronòstics.
Les parts de data fan referència a un membre concret d’una mesura temporal com, per exemple, febrer. Cada part de data es representa amb un camp diferent, normalment discret (amb el color de fons blau). Els pronòstics requereixen com a mínim una part de data d’any. Concretament, pot utilitzar qualsevol dels següents conjunts de parts de data per a efectuar pronòstics:
- Any
- Any + trimestre
- Any + mes
- Any + trimestre + mes
- any + setmana
- Personalitzat: mes / any, mes / dia / any
hi ha altres parts de data, com Trimestre o Trimestre + mes, que no són vàlides per efectuar pronòstics. Consulti Converteix camps a discrets o continus per obtenir més informació detallada sobre els diferents tipus de dades.
Les dates exactes fan referència a un punt determinat en la història amb una granularitat temporal màxima com, per exemple, 1 de febrer de 2012 a les 14: 23: 45.0. Les dates exactes no són vàlides per efectuar pronòstics.

També es pot efectuar un pronòstic sense dates. Consulteu Previsió quan no hi ha dates a la vista.

Granularitat i acotació

Quan crea un pronòstic, selecciona una dimensió de data que especifica una unitat de temps segons la qual es mesuraran els valors de data. Les dates de Tableau admeten un rang d’unitats de temps entre les que s’inclouen Any, Trimestre, Mes i Dia. La unitat que selecciona per al valor de data es coneix com la granularitat de la data.

La data en la seva mesura normalment no s’alinea de forma exacta amb la unitat de granularitat. Podeu establir el valor de data en trimestres, però les seves dades reals poden acabar a la meitat d’un trimestre, per exemple, a finals de novembre.Això pot causar un problema perquè el model de pronòstic tracta el valor per aquesta part de l’trimestre com un trimestre complet, el que normalment tindrà un valor inferior del que tindria un trimestre complet. Si el model de pronòstic té permès considerar aquestes dades, el pronòstic resultant no serà exacte. La solució és acotar les dades, de manera que s’ignorin els períodes posteriors que podrien induir a errors en el pronòstic. Utilitzeu l’opció Ignora últim en el quadre de diàleg Opcions de pronòstic per eliminar o acotar aquests períodes parcials. Per omissió és acotar un període.

Obtenir més dades

Tableau necessita al menys cinc punts de dades en la sèrie de temps per a estimar una tendència i suficients punts de dades per a l’menys dues temporades o una temporada més 5 períodes per estimar la temporalitat. Per exemple, es requereixen al menys nou punts de dades per estimar un model amb un cicle de temporada de quatre trimestres (4 + 5), i al menys 24 per estimar un model amb un cicle de temporada de dotze mesos (2 * 12) .

Si activa el pronòstic per a una vista que no té suficients punts de dades per generar un bon pronòstic, algunes vegades Tableau pot recuperar suficients punts de dades per produir un pronòstic vàlid a l’consultar la font de dades per obtenir un millor nivell de granularitat.

per defecte, si la seva vista conté menys de nou anys de dades, Tableau consultarà la font de dades per buscar dades trimestrals, estimar un pronòstic trimestral i afegir a un pronòstic anual per a mostrar-lo en la seva vista. Si encara no hi ha prou punts de dades, Tableau d’estimar un pronòstic mensual i mostrarà a la seva vista el pronòstic anual agregat.
Per defecte, si la seva vista conté menys de nou trimestres de dades, Tableau d’estimar un pronòstic mensual i mostrarà els resultats de l’pronòstic trimestral agregat en la seva vista.
Per defecte, si la seva vista conté menys de nou setmanes de dades, Tableau estimar un pronòstic diari i mostrarà els resultats de l’pronòstic setmanal agregat en la seva vista.
Si la seva vista conté menys de nou dies de dades, Tableau d’estimar per defecte un pronòstic cadascuna hora i mostrarà els resultats dels pronòstics diaris agregats en la seva vista.
Si la seva vista conté menys de nou hores de dades, Tableau d’estimar per defecte un pronòstic per minut i mostrarà els resultats de l’pronòstic per hora agregat en la seva vista.
Si s o vista conté menys de nou minuts de dades, Tableau d’estimar per defecte un pronòstic cadascuna segon i mostrarà els resultats dels pronòstics per minut agregats en la seva vista.

Aquests ajustos ocorren de fons i no necessiten configuració. Tableau no canvia l’aparença de la visualització i, en realitat, no canvia el valor de data. No obstant això, el resum de el període de temps de pronòstic en el quadre de diàleg Descriure pronòstic i Opcions de pronòstic reflectirà la granularitat real utilitzada.

Tableau només pot obtenir més dades quan l’agregació per a la mesura que està pronosticant és SUM o COUNT. Consulti Agregació de dades en Tableau per obtenir informació sobre els tipus d’agregacions disponibles i sobre com canviar el tipus d’agregació.