Como funcionan as previsións en Tableau - Tableau

Previsións de Tableau Utilizar unha técnica coñecida como homoxeneización exponencial. Algoritmos de previsión Probe buscar un patrón regular en medidas que se poidan continuar no futuro. Se estás interesado en modelos predictivos, tamén está dispoñible en Tableau, consulte Funcións de modelado preditivo en Tableau

Ver un vídeo: Para consultar conceptos relacionados que se amosan en Tableau, consulte a previsión (ligazón ábrese nunha nova xanela), Un vídeo de adestramento gratuíto durante seis minutos. Use a súa conta TableAu.com (a ligazón ábrese nunha nova xanela) para iniciar sesión.

Normalmente engádese unha previsión a unha data que contén un campo de data e, polo menos, unha medida. Non obstante, se non hai data, Tableau pode crear unha previsión para unha vista que contén unha dimensión con valores enteiros e, polo menos, unha medida.

Para obter máis información sobre como crear unha previsión, consulte Crea unha previsión. Para obter información detallada sobre como facer previsións cunha dimensión enteira, consulte a previsión cando non hai datas na vista.

Resumo

Todos os algoritmos de previsión son modelos de procesos sinxelos de xeración de datos ( DGP) do mundo real. Para unha maior calidade na previsión, o simple patrón DGP debe coincidir co patrón que describe o modelo. As métricas de calidade avalían o grao de coincidencia dos modelos coa DGP. Se a calidade é baixa, a precisión non é importante, xa que a precisión dunha estimación inexacta será avaliada.

Tableau selecciona automaticamente os oito mellores modelos, sendo o mellor que xera a previsión de maior calidade. Os parámetros de alisado de cada modelo están optimizados antes de que Tableau avalien a calidade da previsión. O método de optimización é global. Polo tanto, é posible seleccionar parámetros de alisado localmente óptimos que non sexan os mellores do punto de vista global. Non obstante, os parámetros de valor inicial serán seleccionados de acordo cos procedementos recomendados, aínda que non sexan optimizados. Polo tanto, é posible que os parámetros do valor inicial non sexan os óptimos. Os oito modelos dispoñibles en Tableau están entre os que se describen na seguinte localización no sitio web OteXTS: Taxonomía de métodos de alisado exponencial (enlace ábrese nunha nova xanela).

Cando non hai datos suficientes na visualización, Tableau intentará evitar un alto nivel de detalle temporalmente e engadirá a previsión na granularidade da visualización. Tableau ofrece bandas de previsión que poden ser simuladas ou calculadas a partir dunha ecuación de formulario pechado. Todos os modelos que teñen un compoñente de multiplicación ou con previsións agregadas haberán bandas simuladas, mentres que o resto dos modelos usarán as ecuacións de formulario pechado.

Homogenización e tendencia exponencial

Os modelos de Homoxeneización exponencial predecir valores futuros de iteración dunha serie de valores de tempo regulares de medias ponderadas de valores da serie anterior. O modelo máis sinxelo, a homoxeneización exponencial sinxela, calcula o seguinte nivel ou valor homoxéneo dunha media ponderada do último valor real e do último nivel de nivel. O método é exponencial porque o valor de cada nivel recibe a influencia de cada valor real precedente a un grao que diminúe exponencialmente. Os valores máis recentes teñen maior ponderación.

Os modelos exponenciales homoxéneos con tendencia ou compoñentes estacionais son efectivos cando a medida que estará prevista exposicións de exposicións ou temporalidade durante o período de tempo en que a previsión. A tendencia é a tendencia que os datos teñen que aumentar ou diminuír ao longo do tempo. A temporalidade é unha variación repetitiva e previsible de valor, como fluctuación anual de temperatura en relación á tempada.

En xeral, máis puntos de datos que ten na súa serie de tempo, mellorará a previsión resultante a previsión resultante. É especialmente importante ter datos suficientes se desexa modelar a temporalidade, xa que o modelo é máis complicado e require máis probas en forma de datos para lograr un nivel razoable de precisión. Ademais, se pensas usar os datos xerados por dous DGP diferentes, recibirás un pronóstico de menor calidade, xa que o modelo só pode coincidir cunha.

temporalidade

Tableau normalmente Proba un ciclo estacional coa lonxitude máis típica da agregación do tempo da serie de tempo para a que se estimou a previsión.É dicir, se agregas por meses, TableAu buscará un ciclo de 12 meses; Se agregas por cuartos, Tableau buscará un ciclo de catro cuartos; E se engades por días, Tableau buscará unha temporalidade semanal. Polo tanto, se hai un ciclo de seis meses na súa serie mensual, Tableau é probable que busque un patrón de 12 meses que conteña dúas subpatronas similares. Non obstante, se hai un ciclo de sete meses na súa serie mensual, Tableau é probable que non busque ningún ciclo. Afortunadamente, os ciclos de sete mes son pouco comúns.

Tableau pode usar calquera dos dous métodos para obter a lonxitude estacional. O método temporal orixinal usa a lonxitude natural da lonxitude estacional da granularidade temporal da vista. Por granularidade temporal, enténdese a unidade temporal máis precisa expresada pola vista. Por exemplo, se a vista contén unha data verde, continua e truncada por mes ou partes do ano e data, azul e discreto, a granularidade temporal da vista será do mes. O novo método atemporal, introducido en Tableau 9.3, usa a regresión periódica para comprobar as lonxitudes estacionais entre 2 e 60 para as lonxitudes dos candidatos.

Tableau selecciona automaticamente o método máis axeitado para unha vista dada. Cando Tableau usa unha data para solicitar as medidas dunha vista, se a granularidade temporal é trimestral, mensual, semanal, diario ou horas, as lonxitudes estacionais serán, case certas, 4, 12, 13, 7 ou 24, respectivamente. Deste xeito, só se usa a lonxitude natural para a granularidade temporal co obxectivo de crear os cinco modelos estacionais de homoxeneización exponencial compatible con Tableau. Os AIC dos cinco modelos estacionais e os tres modelos non estacionais son comparados e a máis baixa é devolta (para ver unha explicación da métrica AIC, consulte as descricións de previsións).

Cando Tableau usa unha dimensión de enteiros Para realizar unha previsión, utilízase o segundo método. Neste caso, non hai granularidade temporal, polo que as posibles lonxitudes estacionais deben derivarse dos datos.

O segundo método tamén se usa se a granularidade temporal é anual. A serie anual raramente ten unha estacionalidade; Non obstante, se o teñen, tamén deben derivarse dos datos.

O segundo método tamén se usa nas opinións que teñen unha mínima minularidade temporal ou segundo. Se estas series teñen estacionalidade, probablemente as lonxitudes estacionais serán 60. Non obstante, se se mide un proceso normal real, pode ter unha repetición regular que non corresponda ao reloxo. Entón, para os minutos e os segundos, Tableau tamén busca os datos que non son 60. Isto non significa que a mesa pode modelar dúas lonxitudes estacionais diferentes ao mesmo tempo, pero hai dez modelos estacionais, cinco cunha lonxitude estacional de 60 e Cinco máis coa lonxitude estacional derivada dos datos. Sexa cal for o modelo estacional (dos dez dispoñibles) ou o modelo non estacional (dos tres dispoñibles) que ten o máis baixo AIC, utilizarase para calcular a previsión.

na serie ordenada por ano , Minuto ou segundo, verifícase que o patrón é bastante claro nunha única lonxitude estacional dos datos. Na serie ordenada por enteiros, ata nove lonxitudes estacionais (un pouco menos claro) para os cinco modelos estacionais estímase; Do mesmo xeito, devolve o modelo que ten o AIC máis baixo. Se non hai probable candidato de lonxitude estacional, só se estimarán os modelos non estacionais.

Dado que todas as seleccións son automáticas cando Tableau deriva posibles lonxitudes estacionais a partir dos datos, o tipo de modelo predeterminado “automático”, que é Atopado no menú de tipo de modelo da caixa de diálogo Opcións de previsión, non cambia. Se selecciona “Automático sen tempestralalidade”, mellorarase o rendemento, xa que todas as procuras de lonxitudes estacionais e todas as estimacións dos modelos estacionais son eliminados.

A heurística usou Tableau para decidir cando debería usar Derivados de lonxitude estacionais dos datos depende da distribución de erros de regresión periódica de cada lonxitude estacional do candidato. Dado que a montaxe de lonxitudes estacionais por regresión periódica xeralmente xera unha ou dúas lonxitudes claramente gañadoras no caso de que indica os datos presentes, o reembolso dun único candidato indica Unha posible estacionalidade. Neste caso, Tableau estima os modelos estacionais que teñen este candidato para a granularidade do ano, o minuto e o segundo. O retorno dun valor inferior a dez candidatos indica unha posible estacionalidade.Neste caso, Tableau estima modelos estacionais que teñen todos os candidatos devoltos por vistas ordenadas enteiras. O regreso do número máximo de candidatos indica que os erros da maior parte das lonxitudes son similares. Polo tanto, a existencia de calquera estacionalidade é improbable. Neste caso, Tableau só estima os modelos non estacionais para unha serie ordenada por modelos enteiros ou por ano e estacionais que teñen unha lonxitude estacional natural para o resto das opinións ordenadas temporalmente.

no tipo de Modelo “automático” das opinións ordenadas por todo, anos, minutos e segundos, as lonxitudes de candidatos estacionais sempre se derivan dos datos, xa sexan utilizados coma se non. Como a estimación dos modelos require moito máis tempo que a regresión periódica, a O impacto no rendemento pode ser moderado.

Tipos de modelo

Na caixa de diálogo Opcións de previsión, pode escoller o tipo de modelo que os usuarios de Tableau usarán para as previsións. A configuración automática é xeralmente óptimo para a maioría das vistas. Se escolle personalizado, entón pode especificar a tendencia e as características estacionais de forma independente, sen a elección, aditivo ou multiplicativo:

Un modelo aditivo é o que se engaden os contribuíntes aos compoñentes do modelo, mentres que un modelo multiplicativo é o que polo menos Algúns contribuíntes compoñentes multiplican. Os modelos multiplicativos poden mellorar a calidade do pronóstico significativamente para os datos en que tendencias ou temporalidade están afectadas polo nivel (magnitude) dos datos.

Teña en conta que non necesita crear un modelo personalizado para xerar unha previsión multiplicativa: a configuración automática pode determinar se unha previsión multiplicativa é adecuada para os seus datos. Non obstante, un modelo multiplicativo non se pode calcular cando a medición á previsión ten un ou máis valores iguais ou baixos que cero.

Previsións temporais

Cando fai unha previsión cun Data, só pode haber unha data base na vista. As partes de data son admitidas, pero todas elas deben referirse ao mesmo campo subxacente. As datas poden estar en filas, columnas ou marcas (con excepción da lente da descrición emerxente).

Tableau soporta tres tipos de datas, dúas das cales poden usarse nas previsións:

As datas truncadas refírense a un certo punto do historial cunha granularidade temporal específica (por exemplo, febreiro de 2017). Normalmente son continuos e teñen a cor de fondo verde na vista. As datas truncadas son válidas para as previsións.
As partes de data refírense a un membro específico dunha medida temporal, como febreiro. Cada parte de data está representada cun campo diferente, normalmente discreto (coa cor de fondo azul). As previsións requiren polo menos unha parte da data do ano. En concreto, pode usar calquera dos seguintes conxuntos de partes de data para facer as previsións:
- Ano
- ano + trimestre
- ano + mes
- ano + trimestre + mes
- ano + semana
- personalizado: mes / ano, mes / día / ano
Hai outras partes da data, como o trimestre ou o trimestre + mes, que non son válidos para realizar previsións. Vexa os campos convertidos a discretos ou continuos para obter información máis detallada sobre os distintos tipos de datos.
As datas exactas refírense a un determinado punto da historia cunha gran cantidade de granularidade temporal como, Por exemplo, o 1 de febreiro de 2012 ás 14:33: 45.0. As datas exactas non son válidas para realizar previsións.

Unha previsión tamén se pode realizar sen datas. Vexa a previsión cando non hai datas na vista.

granularidade e dimensión

Cando se cree unha previsión, seleccione unha dimensión de data que especifica unha unidade de tempo segundo o que será medido de data. Tableau datas admite unha serie de unidades de tempo, incluíndo ano, trimestre, mes e día. A unidade que selecciona para o valor de data é coñecida como a granularidade da data.

A data como medida normalmente non é aliñado exactamente coa unidade de granularidade. Pode definir o valor de data en cuartos, pero os seus datos reais poden terminar medio cuarto, por exemplo, a finais de novembro.Isto pode causar un problema porque o modelo de previsión trata de valor para esta parte do trimestre como trimestre completo, que normalmente terá un valor máis baixo que un trimestre completo. Se o modelo de previsión está autorizado a considerar estes datos, a previsión resultante non será exacta. A solución é limitar os datos, de xeito que se ignoran os períodos posteriores que poidan inducir erros na previsión. Use a opción Ultimate ignorar na caixa de diálogo Opcións de previsión para eliminar ou limitar eses períodos parciais. O valor predeterminado é limitar un período.

Obtén máis datos

Tableau necesita polo menos cinco puntos de datos na serie de tempo para estimar unha tendencia e puntos de datos suficientes para polo menos Dúas tempadas ou unha tempada máis cinco períodos para estimar a temporalidade. Por exemplo, polo menos nove puntos de datos están obrigados a estimar un modelo cun ciclo de tempada de catro cuartos (4 + 5) e, polo menos, 24 para estimar un modelo cun ciclo estacional de doce meses (2 * 12).

Se activas a previsión para unha vista que non ten suficientes puntos de datos para xerar unha boa previsión, ás veces Tableau pode recuperar os puntos de datos suficientes para producir unha previsión válida ao consultar a fonte de datos para obter un mellor nivel de granularidade.

Por defecto, se a túa vista contén menos de nove anos de datos, TableAu consultará a fonte de datos para buscar datos trimestrais, estimar unha previsión trimestral e engadir a un anual anual previsión para mostrar-lo na súa opinión. Se aínda hai puntos de datos suficientes, Tableau estimará unha previsión mensual e mostrará a previsión anual engadida.
Por defecto, se a súa vista contén menos de nove datas de datos, Tableau estima unha previsión mensual e mostrará os resultados da previsión trimestral engadida na súa opinión.
Por defecto, se a súa vista contén menos de nove semanas de datos, Tableau estima a previsión diaria e mostrará os resultados da previsión semanal engadida na súa opinión.
Se a súa vista contén menos de nove días de datos, TableAu prevererminará a previsión cada vez e mostrará Os resultados das previsións diarias engadidas na súa opinión.
Se a súa vista contén menos de nove horas de datos, a táboa predeterminada dun pronóstico por minuto e mostrará os resultados do adicional previsión hora na súa vista.
Si S U Vista contén menos de nove minutos de datos, Tableau prevererminará a previsión cada segundo e mostrará os resultados das previsións desde minuto engadidas na súa opinión.

Estas configuracións ocorren o fondo E non precisa de configuración. Tableau non cambia a aparición de visualización e, en realidade, non cambia o valor de data. Non obstante, o resumo do período de previsión do período de diálogo de diálogo de descrición e as opcións de previsión reflectirá a granularidade real utilizada.

Tableau só pode obter máis datos cando a agregación para a medición está prevista que é suma ou Conta. Vexa a agregación de datos en Tableau para obter información sobre os tipos de agregacións dispoñibles e sobre como cambiar o tipo de agregación.