Prévision

Techniques statistiques dans Tableau

Maarten Van den Broeck

Content Developer at DataCamp

Corrélation vs autocorrélation

Recherches Google mondiales pour « DIY » de 2013 à 2021, par mois, en % d'intérêt. Une tendance polynomiale de degré 3 tente de saisir la tendance globale mais manque les motifs récurrents.

Recherches Google mondiales pour « DIY » de 2013 à 2021, par mois, en % d'intérêt. Les motifs annuels récurrents sont mis en évidence.

Techniques statistiques dans Tableau

Corrélation vs autocorrélation

Recherches Google mondiales pour « DIY » de 2013 à 2021, par mois, en % d'intérêt.

  • Autocorrélation : un motif répétitif est corrélé avec lui‑même
  • Série chronologique : valeur mesurée à intervalles de temps discrets
  • Analyse de séries chronologiques : analyses appliquées aux séries chronologiques
Techniques statistiques dans Tableau

Prévision

Recherches Google mondiales pour « DIY » de 2013 à 2021, par mois, en % d'intérêt, avec une prévision sur 23 mois.

  • Prédictions futures basées sur des données historiques
  • Estimation : probabilité où tomberont les futures valeurs, via des intervalles de confiance
  • Utilisé en
    • gestion de la chaîne d'approvisionnement
    • séismes
    • niveaux d'hormones
    • marchés boursiers
    • performance sportive
    • météo
Techniques statistiques dans Tableau

Prévision naïve

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

Mois $_t$ Réel $A$ Prévision $F$
janvier 5
février 7 5
mars 6 7
avril 5 6
mai 3 5
juin 8 3
juillet 2 8
août 2

Prévision naïve sur des données d'exemple.

  • Utile pour établir des points de repère
Techniques statistiques dans Tableau

Lissage exponentiel

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

Mois $_t$ Réel $A$ Prévision $F$
janvier 5 5
février 7 5
mars 6 4,6
avril 5 4,32
mai 3 4,184
juin 8 4,4208
juillet 2 3,70496
août 5 4,045952
  • Les prédictions sont davantage influencées par les valeurs récentes que par les anciennes

Lissage exponentiel sur des données d'exemple.

  • Tableau exécute plusieurs modèles et sélectionne le meilleur
Techniques statistiques dans Tableau

Erreur absolue moyenne (MAE)

Mois Réel Prévision Erreur Erreur absolue
janvier 5
février 7 5 2 2
mars 6 7 -1 1
avril 5 6 -1 1
mai 3 5 -2 2
juin 8 3 5 5
juillet 2 8 -6 6
août 5 2 3 3
septembre 5 MAE 2,86
Techniques statistiques dans Tableau

Erreur absolue moyenne normalisée (MASE)

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

  • Le MASE compare le MAE de votre modèle à celui de la prévision naïve
  • En général entre 0 (bon) et 1 (mauvais), voire plus (pire)
  • Vous pouvez ajuster des options dans Tableau, mais la prévision prête à l'emploi est acceptable par défaut

Recherches Google mondiales pour « DIY » de 2013 à 2021, par mois, en % d'intérêt, sans puis avec saisonnalité. Le MASE est plus élevé pour le modèle saisonnier.

Techniques statistiques dans Tableau

Passons à la pratique !

Techniques statistiques dans Tableau

Preparing Video For Download...