Forecasting

Statistische technieken in Tableau

Maarten Van den Broeck

Content Developer at DataCamp

Correlatie vs. autocorrelatie

Wereldwijde Google-zoekopdrachten naar "DIY" van 2013 tot 2021, per maand, in % interesse. Een derdegraads polynomiale trendlijn probeert de trend te vangen maar mist de terugkerende patronen.

Wereldwijde Google-zoekopdrachten naar "DIY" van 2013 tot 2021, per maand, in % interesse. Het jaarlijks terugkerende patroon is gemarkeerd.

Correlatie vs. autocorrelatie

Wereldwijde Google-zoekopdrachten naar "DIY" van 2013 tot 2021, per maand, in % interesse.

Autocorrelatie: herhalend patroon correleert met zichzelf
Tijdreeks: een waarde herhaaldelijk gemeten in discrete tijdsintervallen
Tijdreeksanalyse: overkoepelende term voor analyses op tijdreeksen

Forecasting

Wereldwijde Google-zoekopdrachten naar "DIY" van 2013 tot 2021, per maand, in % interesse, nu met een forecast van 23 maanden.

Voorspellingen over de toekomst op basis van historische data
Schatting: kans waar toekomstige punten vallen, met betrouwbaarheidsintervallen
Toepassingen
- supply chain management
- aardbevingen
- hormoonniveaus
- aandelenmarkten
- sportprestaties
- weer

Naïeve forecast

$F_{t+1} = A_{t}$

Maand $_t$	Actueel $A$	Forecast $F$
Januari	5
Februari	7	5
Maart	6	7
April	5	6
Mei	3	5
Juni	8	3
Juli	2	8
Augustus		2

Naïeve forecast van voorbeelddata.

Handig als benchmark

Exponentiële smoothing

$F_{t+1} = F_t + \alpha(A_{t}-F_t)$

Maand $_t$	Actueel $A$	Forecast $F$
Januari	5	5
Februari	7	5
Maart	6	4,6
April	5	4,32
Mei	3	4,184
Juni	8	4,4208
Juli	2	3,70496
Augustus	5	4,045952

Voorspellingen reageren sterker op recente veranderingen dan op het verleden

Exponential smoothing-forecast van voorbeelddata.

Tableau draait veel modellen en kiest de beste

Mean absolute error (MAE)

Maand	Actueel	Forecast	Fout	Absolute fout
Januari	5
Februari	7	5	2	2
Maart	6	7	-1	1
April	5	6	-1	1
Mei	3	5	-2	2
Juni	8	3	5	5
Juli	2	8	-6	6
Augustus	5	2	3	3
September		5	MAE	2,86

Mean absolute scaled error (MASE)

$MASE = \frac{MAE_{model}}{MAE_{naive}}$

MASE vergelijkt de MAE van je model met die van de naïeve forecast
Meestal tussen 0 (goed) en 1 (slecht), of hoger (nog slechter)
Je kunt opties aanpassen in Tableau, maar de standaardforecast is vaak prima

Wereldwijde Google-zoekopdrachten naar "DIY" van 2013 tot 2021, per maand, in % interesse, eenmaal zonder en eenmaal met seizoenspatroon. De MASE is hoger voor het seizoensmodel.

Laten we oefenen!

Statistische technieken in Tableau