Come le previsioni operano in previsione Tableau

Tableau utilizzano una tecnica nota come omogeneizzazione esponenziale. Gli algoritmi di previsione cercano di cercare un modello regolare in misure che possono essere continuate in futuro. Se sei interessato a una modellazione predittiva, disponibile anche a Tableau, vedere le funzioni di modellazione predittiva in tableau

Visualizza un video: per consultare concetti correlati visualizzati in Tableau, vedere Previsioni (link si apre in una nuova finestra), Un video di formazione gratuito per sei minuti. Utilizza il tuo account Tableau.com (link si apre in una nuova finestra) per accedere.

Normalmente una previsione viene aggiunta a una data che contiene un campo di data e, almeno una misurazione. Tuttavia, se non vi è data, Tableau può creare una previsione per una vista che contiene una dimensione con valori interi e, almeno una misura.

Per ulteriori informazioni su come creare una previsione, vedere Creare una previsione. Per informazioni dettagliate su come apportare previsioni con una dimensione intera, vedere previsioni quando non ci sono date nella vista.

Panoramica

Tutti gli algoritmi di previsione sono semplici processi modelli di generazione dei dati ( DGP) del mondo reale. Per una maggiore qualità nelle previsioni, il semplice motivo DGP deve corrispondere al modello che descrive il modello. Le metriche di qualità valutano il grado di coincidenza dei modelli con la DGP. Se la qualità è bassa, la precisione non è importante, poiché la precisione di una stima imprecisa verrà valutata.

tableau seleziona automaticamente gli otto modelli migliori, essendo la migliore che genera le previsioni di altissima qualità. I parametri leviganti di ciascun modello sono ottimizzati prima del tableau valuta la qualità delle previsioni. Il metodo di ottimizzazione è globale. Pertanto, è possibile selezionare parametri leviganti localmente ottimali che non sono i migliori dal punto di vista globale. Tuttavia, i parametri del valore iniziale saranno selezionati in base alle procedure raccomandate, anche se non saranno ottimizzate. Pertanto, è possibile che i parametri del valore iniziale non siano ottimali. Gli otto modelli disponibili in tableau sono tra quelli descritti nella seguente posizione sul sito Web di Otexts: tassonomia dei metodi esponenziali di levigatura (collegamento si apre in una nuova finestra).

Quando non ci sono dati sufficienti nella visualizzazione, Tableau cercherà di prevenire il livello di dettaglio temporaneamente elevato e aggiungerà la previsione nella granularità della visualizzazione. Tableau offre bande di previsione che possono essere simulate o calcolate da un’equazione di forma chiusa. Tutti i modelli che hanno un componente di moltiplicazione o con previsioni aggregati avranno le fasce simulate, mentre il resto dei modelli utilizzerà le equazioni del modulo chiuso.

omogeneizzazione esponenziale e tendenza

I modelli di L’omogeneizzazione esponenziale prevede iterativamente i valori futuri da una serie di valori di tempo regolari da medie ponderate dei valori delle serie passate. Il modello più semplice, semplice omogeneizzazione esponenziale, calcola il livello successivo o il valore omogeneo di una media ponderata dell’ultimo valore reale e del valore dell’ultimo livello. Il metodo è esponenziale perché il valore di ciascun livello riceve l’influenza di ciascun valore reale precedente a un grado che diminuisce in modo esponenziale. I valori più recenti hanno una maggiore ponderazione.

I modelli esponenziali omogenei con tendenza o componenti stagionali sono efficaci quando la misurazione che sarà prevista mostra tendenze o temporalità nel periodo di tempo in cui le previsioni. La tendenza è la tendenza che i dati debbano aumentare o diminuire nel tempo. La temporalità è una variazione ripetitiva e prevedibile di valore, come fluttuazione annuale in termini di temperatura in relazione alla stagione.

In generale, più punti dati hai nella serie temporale, migliore sarà la previsione risultante la previsione risultante. È particolarmente importante avere dei dati sufficienti se si desidera modellare la temporalità, poiché il modello è più complicato e richiede più test sotto forma di dati per ottenere un ragionevole livello di precisione. Inoltre, se si prevede di utilizzare i dati generati da due diversi DGP, otterrai una prognosi di qualità inferiore, poiché il modello può corrispondere solo a uno.

temporalità

tableau normalmente Prova un ciclo stagionale con la lunghezza più tipica del tempo aggregazione della serie temporale per cui è stata stimata la previsione.Cioè, se si aggiungono mesi, Tableau cercherà un ciclo di 12 mesi; Se aggiungi da T.TERS, Tableau cercherà un ciclo di quattro quarti; E se si aggiungono giorni, Tableau cercherà una temporalità settimanale. Pertanto, se c’è un ciclo di sei mesi nella tua serie temporale mensile, è probabile che il tableau cerchi un modello di 12 mesi contenente due sottopatroni simili. Tuttavia, se c’è un ciclo di sette mesi nella tua serie temporale mensile, è probabile che Tableau non cercasse alcun ciclo. Fortunatamente, i cicli di sette mesi non sono comuni.

Tableau può utilizzare uno dei due metodi per ottenere la lunghezza stagionale. Il metodo temporaneo originale utilizza la naturale lunghezza stagionale della granularità temporanea della vista. Per granularità temporanea, è intesa l’unità temporale più accurata espressa dalla vista. Ad esempio, se la vista contiene una data verde, continua e troncata al mese, o parti dell’anno e della data, blu e discreta, la granularità temporanea della vista sarà del mese. Il nuovo metodo senza tempo, introdotto in Tableau 9.3, utilizza la regressione periodica per controllare le lunghezze stagionali tra 2 e 60 per le lunghezze dei candidati.

Tableau seleziona automaticamente il metodo più adatto per una determinata vista. Quando Tableau utilizza una data per ordinare le misure di vista, se la granularità temporanea è trimestrale, mensile, settimanale, quotidiana o ore, le lunghezze stagionali saranno, quasi certe, 4, 12, 13, 7 o 24, rispettivamente. Pertanto, solo la lunghezza naturale viene utilizzata per la granularità temporanea con l’obiettivo di creare i cinque modelli stagionali di omogeneizzazione esponenziali compatibili con Tableau. Gli AIC dei cinque modelli stagionali e i tre modelli non stagionali sono confrontati e viene restituito il più basso (per vedere una spiegazione della metrica AIC, vedere le descrizioni delle previsioni).

Quando Tableau utilizza una dimensione di interi Per eseguire una previsione, viene utilizzato il secondo metodo. In questo caso non vi è alcuna granularità temporanea, in modo che le potenziali lunghezze stagionali debbano derivare dai dati.

il secondo metodo viene utilizzato anche se la granularità temporanea è annuale. La serie annuale raramente ha una stagionalità; Tuttavia, se hanno, devono anche essere derivati dai dati.

Il secondo metodo viene utilizzato anche nei punti di vista che hanno una miniolarità temporanea del minuto o del secondo. Se queste serie hanno la stagionalità, le lunghezze stagionali saranno probabilmente 60. Tuttavia, se viene misurata un normale processo effettivo, potrebbe avere una ripetizione regolare che non corrisponde all’orologio. Quindi, per i minuti e secondi, Tableau cerca anche i dati che non è 60. Ciò non significa che il tableau può modellare due diverse lunghezze stagionali allo stesso tempo, ma sono stimati dieci modelli stagionali, cinque con una lunghezza stagionale di 60 e altri cinque con la lunghezza stagionale derivati dai dati. Qualunque sia il modello stagionale (dei dieci disponibili) o il modello non stagionale (dei tre disponibili) che ha l’AIC più basso, verrà utilizzato per calcolare la previsione.

nella serie ordinata per anno , Minuto o secondo, viene controllato che il modello sia abbastanza chiaro in una singola lunghezza stagionale dei dati. Nella serie ordinata da numeri interi, fino a nove potenziali di lunghezza stagionale (un po ‘meno chiara) per i cinque modelli stagionali sono stimati; Allo stesso modo, il modello con cui è restituito l’AIC più basso. Se non esiste un probabile candidato di lunghezza stagionale, solo i modelli non-stagionali verranno stimati.

Poiché tutte le selezioni sono automatiche quando il tableau deriva potenzialmente lunghezze stagionali dai dati, il tipo di modello predefinito “Automatico”, che è Trovato nel menu Tipo di modello della finestra di dialogo Opzioni previsioni, non cambia. Se selezioni “Automatico senza temporalità”, le prestazioni saranno migliorate, poiché tutte le ricerche di lunghezze stagionali e tutte le stime dei modelli stagionali vengono cancellati.

L’euristico tableau usato per decidere quando dovresti usare derivati di lunghezza stagionale dei dati dipendono dalla distribuzione di errori di regressione periodica di ciascuna lunghezza stagionale candidata. Dal momento che l’assemblea di lunghezze stagionali mediante la regressione periodica di solito genera una o due lunghezze vincenti chiaramente nel caso in cui i dati presenti la stagionalità, il rimborso di un singolo candidato indica Una possibile stagionalità. In questo caso, Tableau stima i modelli stagionali che hanno questo candidato per la granularità dell’anno, minuto e secondo. Il ritorno di un valore inferiore a dieci candidati indica una possibile stagionalità.In questo caso, Tableau stima i modelli stagionali che hanno restituito tutti i candidati per le viste interere ordinate. Il ritorno del numero massimo di candidati indica che gli errori della maggior parte delle lunghezze sono simili. Pertanto, l’esistenza di qualsiasi stagionalità è improbabile. In questo caso, Tableau stima solo i modelli non stagionali per una serie ordinata da modelli interi o all’anno e stagionali che hanno una lunghezza naturale stagionale per il resto delle viste ordinate temporaneamente.

Nel tipo di modello “automatico” dei punti di vista ordinati da interi, anni, minuti e secondi, le lunghezze del candidato stagionale sono sempre derivate dai dati, indipendentemente dal fatto che siano utilizzati come se non. Poiché la stima dei modelli richiede molto più a lungo della regressione periodica, il L’impatto sulle prestazioni può essere moderato.

Tipi di modello

Nella finestra di dialogo Opzioni previsioni, è possibile scegliere il tipo di modello che gli utenti di Tableau utilizzeranno per le previsioni. La configurazione automatica è generalmente ottimale per la maggior parte delle viste. Se si sceglie personalizzate, puoi specificare la tendenza e le funzioni stagionali in modo indipendente, scegliendo nessuno, additivo o moltiplicativo:

Un modello additivo è quello in cui vengono aggiunti i contribuenti dei componenti del modello, mentre un modello moltiplicativo è uno in cui almeno Alcuni contribuenti dei componenti si moltiplicano. I modelli moltiplicativi possono migliorare significativamente la qualità della prognosi per i dati in quali tendenze o temporalità sono interessate dal livello (grandezza) dei dati.

Tieni presente che non è necessario creare un modello personalizzato per generare una previsione moltiplicativa: la configurazione automatica può determinare se una previsione moltiplicativa è adatta ai dati. Tuttavia, un modello moltiplicativo non può essere calcolato quando la misurazione delle previsioni ha uno o più valori uguali o inferiori rispetto a zero.

previsioni temporanee

quando si prevede una previsione con a Data, può esserci una data di base solo nella vista. Le parti della data sono ammesse, ma tutte devono fare riferimento allo stesso campo sottostante. Le date possono essere in righe, colonne o segni (ad eccezione dell’obiettivo della descrizione pop-up).

tableau supporta tre tipi di date, due dei quali possono essere utilizzati nelle previsioni:

• Le date troncate si riferiscono a un determinato punto della cronologia con una specifica granularità temporanea (ad esempio, febbraio 2017). Di solito sono continui e hanno il colore di sfondo verde nella vista. Le date troncate sono valide per le previsioni.

• parti di data si riferiscono a un membro specifico di una misura temporanea, come febbraio. Ogni parte della data è rappresentata con un campo diverso, solitamente discreto (con il colore di sfondo blu). Le previsioni richiedono almeno una parte della data dell’anno. Nello specifico, è possibile utilizzare uno dei seguenti set di parti di data per effettuare previsioni:

  • Anno

  • Anno + Trimester

  • Anno + mese

  • Anno + trimestre + mese

  • Anno + settimana

  • Personalizzato: mese / anno, mese / giorno / anno

  Ci sono altre parti di data, come trimestre o trimestre + mese, che non sono valide per effettuare previsioni. Vedere i campi convertiti in discreti o continui per informazioni più dettagliate sui diversi tipi di dati.

• Le date esatte si riferiscono a un determinato punto della storia con una granularità temporanea massima come, Ad esempio, 1 febbraio 2012 alle 14: 23: 45.0. Le date esatte non sono valide per eseguire previsioni previsioni.

Una previsione può anche essere eseguita senza date. Vedi previsioni quando non ci sono date nella vista.

granularità e dimensione

Quando si crea una previsione, selezionare una dimensione data che specifica un’unità di tempo in base ai quali i valori saranno misurato di data. Date Tableau supporta una serie di unità di tempo incluso anno, trimestre, mese e giorno. L’unità selezionata per il valore della data è noto come granularità della data.

La data come misura non è solitamente allineato esattamente con l’unità di granularità. È possibile definire il valore della data in alloggi, ma i tuoi dati effettivi possono finire a metà quarto, ad esempio, alla fine di novembre.Ciò può causare un problema perché il modello di previsione si occupa di valore per questa parte del trimestre come un quarto intero, che normalmente avrà un valore inferiore rispetto a un trimestre completo. Se il modello di previsione è autorizzato a considerare questi dati, le previsioni risultanti non saranno esatte. La soluzione è limitare i dati, in modo che i periodi successivi che potrebbero indurre gli errori nelle previsioni vengano ignorati. Utilizzare l’opzione Ultimate Ignora nella finestra di dialogo Opzioni previste per eliminare o limitare tali periodi parziali. Il valore predefinito è limitare un periodo.

Ottieni più dati

tableau ha bisogno di almeno cinque punti dati nella serie temporale per stimare un tendenza e punti dati sufficienti per almeno Due stagioni o una stagione più cinque periodi per stimare la temporalità. Ad esempio, sono necessari almeno nove punti dati per stimare un modello con un ciclo di stagione di quattro quarti (4 + 5) e almeno 24 per stimare un modello con un ciclo stagionale di dodici mesi (2 * 12).

Se si attiva la previsione per una vista che non ha abbastanza punti dati per generare una buona previsione, a volte Tableau può recuperare abbastanza punti dati per produrre una previsione valida quando consulta la sorgente dati per ottenere un livello migliore di granularità.

• Per impostazione predefinita, se la tua vista contiene meno di nove anni di dati, Tableau consulterà l’origine dati per cercare dati trimestrali, stimare una previsione trimestrale e aggiungere a un annuale prevedere per mostrarlo in vostra vista. Se ci sono ancora abbastanza punti di dati, Tableau stimicherà una previsione mensile e mostra in considerazione delle previsioni annuali aggiuntive.

• Per impostazione predefinita, se la tua vista contiene meno di nove dati, Tableau stima una previsione mensile e mostrerà i risultati delle previsioni trimestrali aggiunte in vostra vista.

• Per impostazione predefinita, se la vostra vista contiene meno di nove settimane di dati, tableau stime a Previsioni giornaliere e mostrerà i risultati delle previsioni settimanali aggiunte in vostra vista.

• Se la vostra vista contiene meno di nove giorni di dati, Tableau sarà predefinito prevedibile ogni volta e mostrerà I risultati delle previsioni quotidiane aggiunte in vostra vista.

• Se la tua vista contiene meno di nove ore di dati, Tableau predetterà una prognosi al minuto e mostra i risultati dell’Alteriori informazioni Ora previsione in vostra vista.

• Sì S U Vista contiene meno di nove minuti di dati, Tableau sarà predeterminata previsioni ogni secondo e mostra i risultati delle previsioni per minimi aggiunte in vostra vista.

Queste impostazioni si verificano sfondo e non ha bisogno di configurazione. Tableau non cambia l’aspetto della visualizzazione e, in realtà, non cambia il valore della data. Tuttavia, il riepilogo del periodo di tempo previsto nella finestra di dialogo Description Previsioni e le opzioni di previsione rifletteranno la granularità effettiva utilizzata.

tableau può solo ottenere più dati quando è previsto l’aggregazione per la misurazione che è previsto Contare. Vedere Aggregazione dei dati in Tableau per informazioni sui tipi di aggregazioni disponibili e su come modificare il tipo di aggregazione.