Cum funcționează prognozele în tableaua

taberul previziuni Utilizați o tehnică cunoscută sub numele de omogenizare exponențială. Algoritmi de prognoză încearcă să caute un model obișnuit în măsuri care pot fi continuate în viitor. Dacă sunteți interesat de modelarea predictivă, disponibilă și la Tableau, consultați funcțiile de modelare predictivă în tableaua

Vizualizați un videoclip: Pentru a consulta conceptele aferente afișate în Tableau, consultați prognoza (linkul se deschide într-o fereastră nouă), Un videoclip gratuit de antrenament timp de șase minute. Utilizați contul dvs. Tableau.com (linkul se deschide într-o fereastră nouă) pentru a vă conecta.

În mod normal, o prognoză se adaugă la o dată care conține un câmp de dată și, cel puțin o măsurătoare. Cu toate acestea, dacă nu există date, tableaua poate crea o previziune pentru o vizualizare care conține o dimensiune cu valori întregi și, cel puțin o măsură.

Pentru mai multe informații despre cum să creați o prognoză, consultați Creați o prognoză. Pentru informații detaliate despre modul de realizare a prognozelor cu o dimensiune întregă, consultați prognoza când nu există date în vizualizare.

Prezentare generală

Toate algoritmii de prognoză sunt modele simple de generare de date ( DGP) din lumea reală. Pentru o calitate superioară în prognoză, modelul simplu DGP trebuie să se potrivească cu modelul care descrie modelul. Metricile de calitate evaluează gradul de coincidență a modelelor cu DGP. Dacă calitatea este scăzută, exactitatea nu este importantă, deoarece acuratețea unei estimări inexacte va fi evaluată.

Tableau selectează automat cele mai bune modele, fiind cel mai bun care generează prognoza de cea mai bună calitate. Parametrii de netezi ai fiecărui model sunt optimizați înainte ca tableaua să evalueze calitatea prognozei. Metoda de optimizare este globală. Prin urmare, este posibil să se selecteze parametrii de netezi optimi locali care nu sunt cei mai buni din punct de vedere global. Cu toate acestea, parametrii de valoare inițială vor fi selectați în conformitate cu procedurile recomandate, chiar dacă acestea nu vor fi optimizate. Prin urmare, este posibil ca parametrii valorii inițiale să nu fie optimele. Cele opt modele disponibile în tableaua sunt printre cele descrise în următoarea locație pe site-ul Otexts: Taxonomia metodelor de netezire exponențială (linkul se deschide într-o fereastră nouă).

Când nu sunt suficiente date în vizualizare, Tableau va încerca să prevină un nivel temporar de detaliu și va adăuga prognoza în granularitatea vizualizării. Tableau oferă benzi de prognoză care pot fi simulate sau calculate dintr-o ecuație a formei închise. Toate modelele care au o componentă multiplicare sau cu prognoze agregate vor avea benzi simulate, în timp ce restul modelelor vor folosi ecuațiile formei închise.

omogenizare și tendință exponențială

modele de modele de Omogenizarea exponențială prezice iterativ valorile viitoare dintr-o serie de valori obișnuite de timp din mediile ponderate ale valorilor seriei trecute. Cel mai simplu model, omogenizare exponențială simplă, calculează nivelul următor sau valoarea omogenă a unei medii ponderate a ultimei valori reale și a valorii ultime a nivelului. Metoda este exponențială deoarece valoarea fiecărui nivel primește influența fiecărei valori reale precedente într-o măsură care scade exponențial. Cele mai recente valori au o ponderare mai mare.

Modelele exponențiale omogene cu tendință sau componente sezoniere sunt eficiente atunci când măsurarea care va fi prevăzută prezintă tendințe sau temporalitate în timpul perioadei pe care prognoza. Tendința este tendința pe care datele trebuie să crească sau să scadă în timp. Temporalitatea este o variație repetitivă și previzibilă a valorii, ca o fluctuație anuală a temperaturii în raport cu sezonul.

În general, cu atât mai multe puncte de date pe care le aveți în seria dvs. de timp, cu atât este mai bună prognoza rezultată prognoza rezultată. Este deosebit de important să aveți suficiente date dacă doriți să modelați temporalitatea, deoarece modelul este mai complicat și necesită mai multe teste sub formă de date pentru a obține un nivel rezonabil de precizie. În plus, dacă intenționați să utilizați datele generate de două DGP diferite, veți obține un prognostic de calitate inferioară, deoarece modelul se poate potrivi numai pe unul.

temporalitate

Tableau în mod normal Testați un ciclu sezonier cu cea mai tipică lungime a agregării de timp a seriei de timp pentru care a fost estimată prognoza.Adică dacă adăugați luni, tableaua va căuta un ciclu de 12 luni; Dacă adăugați pe sferturi, tableaua va căuta un ciclu de patru sferturi; Și dacă adăugați zile, Tableau va căuta o temporalitate săptămânală. Prin urmare, dacă există un ciclu de șase luni în seria dvs. de timp lunar, Tableau este probabil să caute un model de 12 luni care conține două subpatronuri similare. Cu toate acestea, dacă există un ciclu de șapte luni în seria dvs. de timp lunar, tableaua este probabil să nu caute niciun ciclu. Din fericire, ciclurile de șapte luni sunt mai puțin frecvente.

Tableau poate folosi oricare dintre cele două metode pentru a obține lungimea sezonieră. Metoda temporară inițială utilizează lungimea naturală sezonieră a granularității temporare a vederii. Prin granularitate temporară, este înțeleasă cea mai exactă unitate temporală exprimată de vedere. De exemplu, dacă vizualizarea conține o dată verde, continuă și trunchiată pe lună sau părți ale anului și dată, albastru și discret, granularitatea temporară a viziunii va fi a lunii. Noua metodă atemporală, introdusă în tableaua 9.3, utilizează regresia periodică pentru a verifica lungimile sezoniere între 2 și 60 pentru lungimile candidatului.

Tableau selectează automat metoda cea mai potrivită pentru o vizualizare dată. Atunci când tableaua utilizează o dată pentru a comanda măsurile de vedere, dacă granularitatea temporară este trimestrială, lunară, săptămânală, zilnic sau ore, lungimile sezoniere vor fi, aproape anumite, 4, 12, 13, 7 sau 24, respectiv 24. Astfel, numai lungimea naturală este folosită pentru granularitate temporară, cu scopul de a crea cele cinci modele sezoniere de omogenizare exponențială compatibilă cu tablaaua. AIC-urile celor cinci modele sezoniere și cele trei modele non-sezoniere sunt comparate, iar cea mai mică este returnată (pentru a vedea o explicație a metricei AIC, a se vedea descrierile de prognoză).

Când tableaua folosește o dimensiune a numerelor întregi Pentru a efectua o previziune, se utilizează cea de-a doua metodă. În acest caz, nu există o granularitate temporară, astfel încât lungimile potențiale de sezon să fie derivate din date.

A doua metodă este de asemenea utilizată dacă granularitatea temporară este anuală. Seria anuală rareori are o sezonieră; Cu toate acestea, dacă acestea au, ele trebuie, de asemenea, derivate din date.

A doua metodă este de asemenea utilizată în opiniile care au o minularitate temporară de minut sau al doilea. Dacă aceste serii au sezonalitate, lungimile sezoniere vor fi probabil 60. Cu toate acestea, dacă se măsoară un proces real normal, acesta poate avea o repetare regulată care nu corespunde ceasului. Astfel, pentru minutele și secundele, Tableau caută, de asemenea, datele care nu sunt 60. Acest lucru nu înseamnă că tableaua poate modela două lungimi diferite sezoniere în același timp, dar sunt estimate zece modele sezoniere, cinci cu o lungime sezonieră de 60 și încă cinci cu lungimea sezonieră derivată din date. Indiferent de modelul sezonier (din cele zece disponibile) sau modelul non-sezonier (din cele trei disponibile) care are cel mai mic AIC, acesta va fi folosit pentru a calcula prognoza.

în seria comandată de an , Minut sau al doilea, este verificat că modelul este destul de clar într-o singură lungime sezonieră a datelor. În seria comandată de numere întregi, până la nouă potențialul de lungimi sezoniere (oarecum mai puțin clare) pentru cele cinci modele sezoniere sunt estimate; De asemenea, modelul care are cel mai mic AIC este returnat. Dacă nu există niciun candidat de lungime sezonieră probabil, numai modelele non-sezoniere vor fi estimate.

Deoarece toate selecțiile sunt automate atunci când tableaua derivă lungimi sezoniere potențiale din date, tipul de model implicit „Automatic”, care este Găsit în meniul de tip model al casetei de dialog Opțiuni de previziune, nu se schimbă. Dacă selectați „Automat fără temporalitate”, performanța va fi îmbunătățită, deoarece toate căutările de lungimi sezoniere și toate estimările modelelor sezoniere sunt șterse din datele depind de distribuția erorilor de regresie periodice a fiecărei lungimi sezoniere candidată. Deoarece asamblarea lungimilor sezoniere prin regresie periodică generează, de obicei, una sau două lungimi câștigătoare în cazul în care datele prezintă sezonalitate, restituirea unui singur candidat indică un singur candidat O posibilă sezonalitate. În acest caz, Tableau estimează modelele sezoniere care au acest candidat pentru granularitatea anului, minut și al doilea. Returnarea unei valori mai mici de zece candidați indică o posibilă sezonalitate.În acest caz, Tableau estimează modelele sezoniere care au returnat toți candidații pentru vizionări ordonate întregi. Returnarea numărului maxim de candidați indică faptul că erorile majorității lungimilor sunt similare. Prin urmare, existența oricărui sezonal este puțin probabil. În acest caz, tableaua estimează doar modelele non-sezoniere pentru o serie comandată de modele întregi sau pe an și sezoniere care au o lungime naturală sezonieră pentru restul opiniei comandate temporar.

în tipul de tipul de modelul „automat” al vizualizărilor comandate de întregi, de ani, minute și secunde, lungimile candidatului sezonier sunt întotdeauna derivate din date, indiferent dacă acestea sunt utilizate ca și cum nu, deoarece estimarea modelelor necesită mult mai mult decât periodicul de regresie, Impactul asupra performanței poate fi moderat.

Tipuri de model

În caseta de dialog Opțiuni de previziune, puteți alege tipul de model pe care utilizatorii tableau îl vor folosi pentru previziuni. Configurația automată este în general Optimal pentru cele mai multe vederi. Dacă alegeți Personalizat, atunci puteți specifica caracteristicile de tendință și sezoniere independent, alegând nici unul, aditiv sau multiplicativ:

Un model aditiv este unul în care sunt adăugate contribuabilii la componentele modelului, în timp ce un model multiplicativ este unul în care cel puțin Unii contribuabili de componente se multiplică. Modelele multiplicative pot îmbunătăți calitatea prognosticului în mod semnificativ pentru datele din ceea ce tendințele sau temporalitatea este afectată de nivelul (magnitudinea) datelor.

Rețineți că nu este nevoie să creați un model personalizat pentru a genera o prognoză multiplicativă: configurația automată poate determina dacă o prognoză multiplicativă este potrivită pentru datele dvs. Cu toate acestea, un model multiplicativ nu poate fi calculat atunci când măsurarea la previziune are una sau mai multe valori egale sau mai mici decât zero.

previziuni temporare

atunci când faceți o prognoză cu a Data, nu poate fi decât o dată de bază în vizualizare. Părțile de date sunt admise, dar toate acestea trebuie să se refere la același câmp de bază. Datele pot fi în rânduri, coloane sau mărci (cu excepția lentilei descrierii pop-up).

Tableau suportă trei tipuri de date, dintre care două pot fi utilizate în previziuni:

• Datele trunchiate se referă la un anumit punct din istorie cu o granularitate temporară specifică (de exemplu, februarie 2017). Ele sunt, de obicei, continue și au culoarea de fundal verde în vedere. Datele trunchiate sunt valabile pentru previziuni.

• Părțile datează se referă la un anumit membru al unei măsuri temporare, cum ar fi luna februarie. Fiecare parte a datei este reprezentată cu un câmp diferit, de obicei discret (cu culoarea albastră de fundal). Prognozele necesită cel puțin o parte a datei anului. Mai exact, puteți utiliza oricare dintre următoarele seturi de piese de date pentru a face prognoze:

  • an

  • an + trimestru

  • an + luna

  • Anul + Quarter + Luna

  • Anul + Săptămâna

  • Personalizat: lună / an, lună / zi / an

  Există și alte părți ale datei, cum ar fi trimestrul sau trimestrul + lună, care nu sunt valide pentru a efectua previziuni. Consultați câmpurile convertite pentru a discrete sau continue pentru informații mai detaliate despre diferitele tipuri de date.

• Datele exacte se referă la un anumit punct din poveste cu o granularitate maximă temporară, cum ar fi, cum ar fi, cum ar fi, De exemplu, 1 februarie 2012 la 14: 23: 45.0. Datele exacte nu sunt valide pentru a efectua previziuni.

O prognoză poate fi efectuată și fără date. Vedeți prognoza când nu există date în vizualizare.

granularitate și dimensiune

Atunci când creați o previziune, selectați o dimensiune dată care specifică o unitate de timp conform căreia valorile vor fi măsurată de dată. Tableau Dates suportă o serie de unități de timp, inclusiv an, trimestru, lună și zi. Unitatea pe care o selectați pentru valoarea datei este cunoscută ca granularitate a datei.

data ca măsură nu este de obicei aliniat exact cu unitatea de granularitate. Puteți defini valoarea datei în sferturi, dar datele dvs. reale pot ajunge la o jumătate de trimestru, de exemplu, la sfârșitul lunii noiembrie.Acest lucru poate provoca o problemă deoarece modelul de prognoză se ocupă de valoarea acestei părți a trimestrului ca un trimestru întreg, care va avea în mod normal o valoare mai mică decât un trimestru întreg. Dacă modelul de prognoză este permis să ia în considerare aceste date, prognoza rezultată nu va fi exactă. Soluția este de a limita datele, astfel încât perioadele ulterioare care ar putea induce erori în prognoză sunt ignorate. Utilizați opțiunea Ultimate Iglore în caseta de dialog Opțiuni de previziune pentru a elimina sau limita acele perioade parțiale. Valoarea implicită este limitarea unei perioade.

Obțineți mai multe date

Tableau are nevoie de cel puțin cinci puncte de date din seria de timp pentru a estima o tendință și puncte de date suficiente pentru cel puțin Două sezoane sau un sezon plus cinci perioade pentru a estima temporalitatea. De exemplu, sunt necesare cel puțin nouă puncte de date pentru a estima un model cu un ciclu de sezon de patru sferturi (4 + 5) și cel puțin 24 pentru a estima un model cu un ciclu sezonier de douăsprezece luni (2 * 12).

Dacă activați prognoza pentru o vizualizare care nu are suficiente puncte de date pentru a genera o prognoză bună, uneori tableaua poate prelua suficiente puncte de date pentru a produce o prognoză validă atunci când consultați sursa de date pentru a obține un nivel mai bun de granularitate.

• În cazul în care opțiunea dvs. conține mai puțin de nouă ani de date, Tableau va consulta sursa de date pentru a căuta date trimestriale, estimați o prognoză trimestrială și va adăuga la un an anual prognoza pentru a arăta în opinia dvs. Dacă există încă suficiente puncte de date, Tableau va estima o prognoză lunară și va arăta în vizualizarea prognozei anuale adăugate.

• Implicit, dacă vizualizarea dvs. conține mai puțin de nouă trimestre date, Tableau estimează o prognoză lunară și va arăta rezultatele prognozei trimestriale adăugate în opinia dvs.

• În mod implicit, dacă punctul de vedere conține mai puțin de nouă săptămâni de date, Tableau estimează a Prognoza zilnică și va arăta rezultatele prognozei săptămânale adăugate în vizualizarea dvs.

• Dacă punctul dvs. de vedere conține mai puțin de nouă zile de date, tableaua va predetermina previzionarea de fiecare dată și va afișa Rezultatele previziunilor zilnice au fost adăugate în vizualizarea dvs.

• Dacă punctul dvs. de vedere conține mai puțin de nouă ore de date, tableaua va predetermina un prognostic pe minut și va arăta rezultatele celor suplimentari ora prognozată în opinia dvs.

• da s U Vista conține mai puțin de nouă minute de date, Tableau va predetermina prognoza în fiecare secundă și va arăta rezultatele prognozelor de timp adăugate în vizualizarea dvs.

Aceste setări apar fundal și nu aveți nevoie de configurație. Tableau nu schimbă apariția vizualizării și, de fapt, nu modifică valoarea datei. Cu toate acestea, rezumatul perioadei de timp de prognoză în caseta de dialog Prognoză și opțiunile de prognoză vor reflecta granularitatea reală utilizată.

Tableau poate obține doar mai multe date atunci când agregarea pentru măsurători este prevăzută că este sumă sau Numara. A se vedea agregarea datelor în tableaua pentru informații despre tipurile de agregații disponibile și despre modul de schimbare a tipului de agregare.