การพยากรณ์ใน Power BI

การวิเคราะห์อนุกรมเวลาใน Power BI

Kevin Barlow

Data Analytics Professional

บริบทและความสำคัญ

การทำนายเป็นเทคนิคเชิงวิเคราะห์ขั้นสูงที่ช่วยให้เราเข้าใจว่า จะเกิดอะไรขึ้น ในอนาคต ไม่ใช่แค่สิ่งที่เกิดขึ้นแล้ว

ตัวอย่างการพยากรณ์

การพยากรณ์ (Forecasting)

ตัวอย่างในอุตสาหกรรม

การพยากรณ์ย้อนหลัง (Hindcasting)

ตัวอย่างในอุตสาหกรรม

การพยากรณ์ใช้ข้อมูลในอดีตเพื่อคาดการณ์ค่าในวันที่อนาคต

ดูตารางต่อไปนี้:

โดยใช้แนวโน้มโดยรวมของข้อมูล เราสามารถคาดการณ์ค่าถัดไปได้อย่างน่าเชื่อถือ นี่คือตัวอย่างของ linear regression

ข้อมูลอนุกรมเวลามักมีความซับซ้อนและพยากรณ์ได้ยาก หากไม่ผ่านการ "ทำความสะอาด" ก่อน

Exponential Smoothing เป็นเทคนิคที่ช่วย "ปรับให้เรียบ" สัญญาณรบกวนในข้อมูล

GIF แสดง Exponential Smoothing

การพยากรณ์ย่อมมีข้อผิดพลาดเสมอ เนื่องจากเราไม่มีข้อมูลจริงสำหรับวันที่เหล่านั้น!

ช่วงความเชื่อมั่น (Confidence Intervals) - ให้ช่วงของค่าประมาณที่ข้อมูลจะอยู่ภายใน ณ ระดับความเชื่อมั่นที่กำหนด (%)

Power BI ให้คุณกำหนดค่า ระดับความเชื่อมั่น สำหรับการพยากรณ์ได้`

GIF แสดง Confidence Intervals

เราจะฝึกพยากรณ์โดยใช้ข้อมูลหุ้นของ Microsoft (สัญลักษณ์: MSFT) ซึ่งประกอบด้วยข้อมูลพื้นฐานเกี่ยวกับราคาซื้อขายหุ้นในแต่ละวัน

ภาพหน้าจอข้อมูลหุ้น MSFT

การวิเคราะห์อนุกรมเวลาใน Power BI