Tijdreeksanalyse in Power BI
Kevin Barlow
Data Analytics Professional
Voorspellen is een geavanceerdere analysetechniek: we proberen te begrijpen wat er gáát gebeuren, niet alleen wat er gebeurd is.

Voorspellen
Voorbeelden uit de praktijk
Hindcasting
Voorbeelden uit de praktijk
Voorspellen gebruikt historische data om waarden voor toekomstige datums te schatten.
Bekijk deze tabel:
| datum | waarde |
|---|---|
| 1 januari | 5 |
| 2 januari | 10 |
| 3 januari | 15 |
| 4 januari | |
| 5 januari |
Met de trend in onze data kunnen we vrij betrouwbaar de volgende waarden schatten. Dit is een voorbeeld van lineaire regressie.
| datum | waarde |
|---|---|
| 1 januari | 5 |
| 2 januari | 10 |
| 3 januari | 15 |
| 4 januari | 20 |
| 5 januari | 25 |
Tijdreeksdata is vaak rommelig en lastig te voorspellen tot je het “opschoont”.
Exponential Smoothing is een techniek om ruis in data te “afvlakken”.

Elke voorspelling kent een foutmarge, want we hebben geen echte data voor die datums!
Betrouwbaarheidsintervallen — geven een bereik waarin de waarden naar verwachting vallen bij een gekozen betrouwbaarheidsniveau (%)
In Power BI kun je instellen hoeveel betrouwbaarheid je in je voorspelling wilt.`

We gaan voorspellen met aandelendata van Microsoft (ticker: MSFT). De data bevat basisinfo over de handelsprijs per dag.

Tijdreeksanalyse in Power BI