Prognozowanie

Techniki statystyczne w Tableau

Maarten Van den Broeck

Content Developer at DataCamp

Korelacja a autokorelacja

Globalne wyszukiwania Google dla „DIY" od 2013 do 2021, według miesięcy, w % zainteresowania. Linia trendu trzeciego stopnia próbuje uchwycić ogólny trend, lecz pomija powtarzające się wzorce.

Globalne wyszukiwania Google dla „DIY" od 2013 do 2021, według miesięcy, w % zainteresowania. Zaznaczono powtarzające się wzorce roczne.

Korelacja a autokorelacja

Globalne wyszukiwania Google dla „DIY" od 2013 do 2021, według miesięcy, w % zainteresowania.

Autokorelacja: powtarzający się wzorzec koreluje sam ze sobą
Szereg czasowy: wartość mierzona wielokrotnie w czasie, w dyskretnych przedziałach
Analiza szeregów czasowych: ogólne pojęcie dla analiz na szeregach czasowych

Prognozowanie

Globalne wyszukiwania Google dla „DIY" od 2013 do 2021, według miesięcy, w % zainteresowania – z prognozą na 23 miesiące.

Przewidywania dotyczące przyszłości na podstawie danych historycznych
Szacowanie: prawdopodobieństwo, gdzie znajdą się przyszłe punkty danych, z użyciem przedziałów ufności
Zastosowania
- zarządzanie łańcuchem dostaw
- trzęsienia ziemi
- poziomy hormonów
- rynki akcji
- wyniki sportowe
- pogoda

Naiwna prognoza

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

Miesiąc $_t$	Rzeczywiste $A$	Prognoza $F$
Styczeń	5
Luty	7	5
Marzec	6	7
Kwiecień	5	6
Maj	3	5
Czerwiec	8	3
Lipiec	2	8
Sierpień		2

Naiwna prognoza przykładowych danych.

Przydatna jako punkt odniesienia

Wygładzanie wykładnicze

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

Miesiąc $_t$	Rzeczywiste $A$	Prognoza $F$
Styczeń	5	5
Luty	7	5
Marzec	6	4,6
Kwiecień	5	4,32
Maj	3	4,184
Czerwiec	8	4,4208
Lipiec	2	3,70496
Sierpień	5	4,045952

Prognozy są bardziej zależne od ostatnich zmian niż od danych historycznych

Prognoza wygładzania wykładniczego przykładowych danych.

Tableau przetestuje wiele modeli i wybierze najlepszy

Średni błąd bezwzględny (MAE)

Miesiąc	Rzeczywiste	Prognoza	Błąd	Błąd bezwzględny
Styczeń	5
Luty	7	5	2	2
Marzec	6	7	-1	1
Kwiecień	5	6	-1	1
Maj	3	5	-2	2
Czerwiec	8	3	5	5
Lipiec	2	8	-6	6
Sierpień	5	2	3	3
Wrzesień		5	MAE	2,86

Średni skalowany błąd bezwzględny (MASE)

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

MASE porównuje MAE modelu z MAE prognozy naiwnej
Zazwyczaj między 0 (dobry) a 1 (słaby) lub wyższy (jeszcze gorszy)
Można dostosować opcje w Tableau, lecz domyślna prognoza jest akceptowalna

Globalne wyszukiwania Google dla „DIY" od 2013 do 2021, według miesięcy, w % zainteresowania – raz bez sezonowości i raz z sezonowością. MASE jest wyższy dla modelu sezonowego.

Czas na ćwiczenia!

Techniki statystyczne w Tableau