Como as previsões operam no Tableau

Tableau Previsões usam uma técnica conhecida como homogeneização exponencial. Os algoritmos de previsão tentam procurar um padrão regular em medidas que possam ser continuadas no futuro. Se você estiver interessado em modelagem preditiva, também disponível no Tableau, consulte Funções de modelagem preditiva no Tableau

Visualizar um vídeo: Consultar conceitos relacionados mostrados no Tableau, consulte Previsão (Link abre em uma nova janela), Um vídeo de treinamento gratuito por seis minutos. Use sua conta TableAea.com (link abre em uma nova janela) para efetuar login.

Normalmente, uma previsão é adicionada a uma data que contém um campo de data e, pelo menos uma medida. No entanto, se não houver data, o Tableau pode criar uma previsão para obter uma visualização que contenha uma dimensão com valores inteiros e, pelo menos uma medida.

Para obter mais informações sobre como criar uma previsão, consulte Criar uma previsão. Para obter informações detalhadas sobre como fazer previsões com uma dimensão inteira, consulte Previsão quando não houver datas na exibição.

Visão geral

Todos os algoritmos de previsão são modelos simples de processos de geração de dados ( Dgp) do mundo real. Para uma qualidade mais alta na previsão, o padrão simples DGP deve corresponder ao padrão descrevendo o modelo. As métricas de qualidade avaliam o grau de coincidência dos modelos com a DGP. Se a qualidade é baixa, a precisão não é importante, uma vez que a precisão de uma estimativa imprecisa será avaliada.

Tableau seleciona automaticamente os oito melhores modelos, sendo o melhor que gera a previsão da mais alta qualidade. Os parâmetros de suavização de cada modelo são otimizados antes do Tableau avalia a qualidade da previsão. O método de otimização é global. Portanto, é possível selecionar parâmetros de alisamento locais locais que não são os melhores do ponto de vista global. No entanto, os parâmetros iniciais de valor serão selecionados de acordo com os procedimentos recomendados, mesmo que não forem otimizados. Portanto, é possível que os parâmetros do valor inicial não são otimizados. Os oito modelos disponíveis no Tableau estão entre os descritos na seguinte localização no site do Otedede: taxonomia de métodos de suavização exponencial (link abre em uma nova janela).

Quando não há dados suficientes na visualização, O Tableau tentará evitar temporariamente alto nível de detalhes e adicionará a previsão na granularidade da visualização. O Tableau oferece faixas de previsão que podem ser simuladas ou calculadas a partir de uma equação de forma fechada. Todos os modelos que têm um componente de multiplicação ou com previsões agregadas terão bandas simuladas, enquanto o restante dos modelos usará as equações de formulário fechadas.

homogeneização exponencial e tendência

os modelos de A homogeneização exponencial predizer iterativamente valores futuros de uma série de valores de tempo regulares de médias ponderadas de valores de série passada. O modelo mais simples, a homogeneização exponencial simples, calcula o próximo nível ou valor homogêneo de uma média ponderada do último valor real e o valor do último nível. O método é exponencial porque o valor de cada nível recebe a influência de cada valor real precedente em um grau que diminui exponencialmente. Os valores mais recentes têm maior ponderação.

Os modelos exponenciais homogêneos com tendência ou componentes sazonais são eficazes quando a medição que será prevista exibe tendências ou temporalidade durante o período de tempo em que a previsão. A tendência é a tendência que os dados devem aumentar ou diminuir ao longo do tempo. A temporalidade é uma variação repetitiva e previsível de valor, como uma flutuação anual em temperatura em relação à temporada.

Em geral, quanto mais pontos de dados você tem em sua série de tempo, melhor será a previsão resultante a previsão resultante. É especialmente importante ter dados suficientes se você quiser modelar a temporalidade, uma vez que o modelo é mais complicado e requer mais testes na forma de dados para obter um nível razoável de precisão. Além disso, se você planeja usar os dados gerados por dois DGP diferentes, obterá um prognóstico de menor qualidade, já que o modelo só pode combinar um.

temporalidade

Tableau normalmente Teste um ciclo sazonal com o comprimento mais típico da agregação de tempo das séries temporais para a qual a previsão foi estimada.Ou seja, se você adicionar meses, o Tableau procurará um ciclo de 12 meses; Se você adicionar por trimestres, o Tableau procurará um ciclo de quatro quartos; E se você adicionar dias, o Tableau procurará uma temporalidade semanal. Portanto, se houver um ciclo de seis meses em sua série temporal mensal, o Tableau provavelmente procurará um padrão de 12 meses contendo duas subpatrones semelhantes. No entanto, se houver um ciclo de sete meses em sua série temporal mensal, o Tableau provavelmente não procurará nenhum ciclo. Felizmente, os ciclos de sete meses são incomuns.

Tableau pode usar qualquer um dos dois métodos para obter o comprimento sazonal. O método temporário original usa o comprimento sazonal natural da granularidade temporária da vista. Por granularidade temporária, a unidade temporal mais precisa expressa pela visão é entendida. Por exemplo, se a visão contiver uma data verde, contínua e truncada por mês, ou partes do ano e data, azul e discreta, a granularidade temporária da visão será do mês. O novo método atemporal, introduzido no Tableau 9.3, usa a regressão periódica para verificar os comprimentos sazonais entre 2 e 60 para os comprimentos candidatos.

Tableau seleciona automaticamente o método mais adequado para uma determinada visualização. Quando o Tableau usa uma data para encomendar as medidas de uma visão, se a granularidade temporária é trimestral, mensal, semanal, diária ou horas, os comprimentos sazonais serão, quase certos, 4, 12, 13, 7 ou 24, respectivamente. Assim, apenas o comprimento natural é usado para granularidade temporária com o objetivo de criar os cinco modelos sazonais de homogeneização exponencial compatível com o Tableau. Os AICs dos cinco modelos sazonais e os três modelos não sazonais são comparados e o menor é retornado (para ver uma explicação da Métrica da AIC, consulte as descrições de previsão).

Quando o Tableau usa uma dimensão de inteiros Para executar uma previsão, o segundo método é usado. Neste caso, não há granularidade temporária, de modo que os potenciais comprimentos sazonais devem ser derivados dos dados.

O segundo método também é usado se a granularidade temporária for anual. A série anual raramente tem uma sazonalidade; No entanto, se eles tiverem, eles também devem ser derivados dos dados.

O segundo método também é usado nas visualizações que possuem uma minularidade temporária de minuto ou segundo. Se essas séries tiverem sazonalidade, os comprimentos sazonais provavelmente serão 60. No entanto, se um processo real normal for medido, pode ter uma repetição regular que não corresponda ao relógio. Assim, para os minutos e segundos, o Tableau também procura os dados que não são 60. Isso não significa que o Tableau possa modelar dois diferentes comprimentos sazonais ao mesmo tempo, mas dez modelos sazonais são estimados, cinco com um comprimento sazonal de 60 e mais cinco com o comprimento sazonal derivado dos dados. Qualquer que seja o modelo sazonal (dos dez disponíveis) ou o modelo não sazonal (dos três disponíveis) que tenha o menor AIC, será usado para calcular a previsão.

na série ordenada por ano , Minuto ou segundo, é verificado que o padrão é bastante claro em um único comprimento sazonal dos dados. Na série ordenada por inteiros, até nove potencial de comprimentos sazonais (um pouco menos clara) para os cinco modelos sazonais são estimados; Da mesma forma, o modelo que tem o menor AIC é retornado. Se não houver nenhum candidato de comprimento sazonal provável, apenas modelos não sazonais serão estimados.

Como todas as seleções são automáticas quando o Tableau deriva potenciais comprimentos sazonais dos dados, o tipo de modelo padrão “automático”, que é Encontrado no menu Tipo de modelo da caixa de diálogo Opções de previsão, não muda. Se você selecionar “Automático sem temporalidade”, o desempenho será melhorado, uma vez que todas as pesquisas de comprimentos sazonais e todas as estimativas de modelos sazonais são excluídas.

Tableau usado heurístico para decidir quando você deve usar derivativos de comprimentos sazonais dos dados depende da distribuição de erros de regressão periódica de cada comprimento sazonal candidato. Como a montagem de comprimentos sazonais por regressão periódica geralmente gera um ou dois comprimentos vencedores, no caso de os dados apresentam sazonalidade, o reembolso de um único candidato indica Uma possível sazonalidade. Neste caso, o Tableau estima os modelos sazonais que têm esse candidato para a granularidade do ano, minuto e segundo. O retorno de um valor inferior a dez candidatos indica uma possível sazonalidade.Nesse caso, o Tableau estima modelos sazonais que todos os candidatos retornaram para visões ordenadas por inteiros. O retorno do número máximo de candidatos indica que os erros da maioria dos comprimentos são semelhantes. Portanto, a existência de qualquer sazonalidade é improvável. Neste caso, o Tableau estima apenas os modelos não sazonais para uma série ordenada por modelos inteiros ou por ano e sazonais que têm um comprimento sazonal natural para o restante das vistas solicitadas temporariamente.

no tipo de modelo “automático” das vistas encomendadas por todo, anos, minutos e segundos, os comprimentos candidatos sazonais são sempre derivados dos dados, sejam eles usados como se não. Como a estimativa dos modelos requer muito mais tempo do que o periódico de regressão, o O impacto no desempenho pode ser moderado.

Tipos de modelo

Na caixa de diálogo Opções de previsão, você pode escolher o tipo de modelo que os usuários do Tableau usarão para as previsões. A configuração automática é geralmente Otimal para a maioria das visualizações. Se você escolher personalizado, poderá especificar as características de tendência e sazonal de forma independente, escolhendo nenhum, aditivo ou multiplicativo:

Um modelo aditivo é aquele em que os contribuintes para os componentes do modelo são adicionados, enquanto um modelo multiplicativo é um no qual pelo menos Alguns contribuintes de componentes se multiplicam. Modelos multiplicativos podem melhorar significativamente a qualidade do prognóstico para dados em que tendências ou temporalidade são afetados pelo nível (magnitude) dos dados.

Tenha em mente que você não precisa criar um modelo personalizado para gerar uma previsão multiplicativa: configuração automática pode determinar se uma previsão multiplicativa é adequada para seus dados. No entanto, um modelo multiplicativo não pode ser calculado quando a medição para prevê ter um ou mais valores iguais ou inferiores do que zero.

previsões temporárias

Quando você fizer uma previsão com um Data, só pode haver uma data base na exibição. As partes de data são admitidas, mas todas elas devem se referir ao mesmo campo subjacente. As datas podem ser em linhas, colunas ou marcas (com exceção da lente da descrição pop-up).

Tableau suporta três tipos de datas, duas das quais podem ser usadas nas previsões:

• As datas truncadas referem-se a um certo ponto do histórico com uma granularidade temporária específica (por exemplo, fevereiro de 2017). Eles são geralmente contínuos e têm a cor de origem verde na vista. As datas truncadas são válidas para previsões.

• As partes da data referem-se a um membro específico de uma medida temporária, como fevereiro. Cada parte da data é representada com um campo diferente, geralmente discreto (com a cor de fundo azul). As previsões exigem pelo menos uma parte da data do ano. Especificamente, você pode usar qualquer um dos seguintes conjuntos de peças de data para fazer previsões:

  • ano

  • ano + trimester

  • ano + mês

  • ano + trimestre + mês

  • ano + semana

  • personalizado: mês / ano, mês / dia / ano

  Existem outras partes da data, como trimestre ou trimestre + mês, que não são válidas para realizar previsões. Consulte Campos convertidos para discretos ou contínuos para obter informações mais detalhadas sobre os diferentes tipos de dados.

• As datas exatas referem-se a um certo ponto da história com uma granularidade temporária máxima como, Por exemplo, 1º de fevereiro de 2012 às 14: 23: 45.0. As datas exatas não são válidas para realizar previsões.

Uma previsão também pode ser executada sem datas. Consulte Previsão quando não há datas na exibição.

Granularidade e dimensão

Ao criar uma previsão, selecione uma dimensão de data que especifica uma unidade de tempo de acordo com as quais os valores serão medido de data. Datas do Tableau suportam uma variedade de unidades de tempo, incluindo ano, trimestre, mês e dia. A unidade que você seleciona para o valor da data é conhecida como a granularidade da data.

A data como uma medida geralmente não é alinhado exatamente com a unidade de granularidade. Você pode definir o valor da data em trimestres, mas seus dados reais podem acabar meio trimestre, por exemplo, no final de novembro.Isso pode causar um problema porque o modelo de previsão lida com valor para esta parte do trimestre como um trimestre total, o que normalmente terá um valor menor que um trimestre inteiro. Se o modelo de previsão for permitido considerar esses dados, a previsão resultante não será exata. A solução é limitar os dados, para que os períodos subsequentes que possam induzir erros na previsão são ignorados. Use a opção Ultimate Ignore na caixa de diálogo Opções de previsão para eliminar ou limitar esses períodos parciais. O valor padrão é limitar um período.

Obtenha mais dados

Tableau precisa de pelo menos cinco pontos de dados na série temporal para estimar uma tendência e pontos de dados suficientes para pelo menos Duas estações ou uma temporada mais cinco períodos para estimar a temporalidade. Por exemplo, pelo menos nove pontos de dados são necessários para estimar um modelo com um ciclo de temporada de quatro quartos (4 + 5), e pelo menos 24 para estimar um modelo com um ciclo sazonal de doze meses (2 * 12). / p>

Se você ativar a previsão para obter uma visualização que não tem pontos de dados suficientes para gerar uma boa previsão, às vezes tableau pode recuperar pontos de dados suficientes para produzir uma previsão válida ao consultar a fonte de dados para obter um melhor nível de Granularidade.

• Por padrão, se a sua opinião contiver menos de nove anos de dados, o Tableau consultará a fonte de dados para procurar dados trimestrais, estimar uma previsão trimestral e adicionar um anual Previsão para mostrá-lo em sua opinião. Se ainda houver pontos de dados suficientes, o Tableau estimará uma previsão mensal e mostrará a visualização anual adicionada.

• Por padrão, se sua visualização contiver menos de nove dados de quartelores, O Tableau estima uma previsão mensal e mostrará os resultados da previsão trimestral adicionada em sua visualização.

• Por padrão, se a sua opinião contiver menos de nove semanas de dados, o Tableau estima um Previsão diária e mostrará os resultados da previsão semanal adicionada em sua visualização.

• Se a sua opinião contiver menos de nove dias de dados, o Tableau será predeterminado a previsão de cada vez e mostrará Os resultados das previsões diárias adicionadas em sua visualização.

• Se a sua opinião contiver menos de nove horas de dados, o Tableau predeterá um prognóstico por minuto e mostrará os resultados do adicional Previsão da hora em sua opinião.

• sim s U Vista contém menos de nove minutos de dados, o Tableau predeterminou a previsão a cada segundo e mostrará os resultados das previsões de minutos adicionadas em sua exibição.

Essas configurações ocorrem e não precisa de configuração. O Tableau não altera a aparência da visualização e, na verdade, não altera o valor da data. No entanto, o resumo do período de tempo de previsão na caixa de diálogo Descrever previsão e as opções de previsão refletirão a granularidade real usada.

Tableau só pode obter mais dados quando a agregação para a medição é prevista que ele é soma ou Contar. Veja a agregação de dados no Tableau para obter informações sobre os tipos de agregações disponíveis e sobre como alterar o tipo de agregação.