在 Power BI 進行預測

Power BI 的時間序列分析

Kevin Barlow

Data Analytics Professional

背景與重要性

預測是一種更進階的分析技術，讓我們不只看已發生的事，還能嘗試了解「將會發生什麼」。

預測類型

Forecasting（預測）

• 以既有資料推估未來日期
• 屬於「預測式」或「處方式」分析

產業範例

1. 預測特定產品的需求
2. 預測支援工程部門所需的人力

Hindcasting（回溯預測）

• 用你的模型「預測」既有資料
• 常用來測試預測模型的準確度

產業範例

1. 回溯預測導致特定環境變化的氣候條件
2. 檢驗股票預測模型是否精準

預測基礎

預測會用歷史資料來推估未來日期的值。

看看下列表格：

date	value
January 1	5
January 2	10
January 3	15
January 4
January 5

利用整體趨勢，我們能相當可靠地推估下一些值。這是「線性迴歸」的例子。

date	value
January 1	5
January 2	10
January 3	15
January 4	20
January 5	25

處理雜訊資料的預測

時間序列資料常常雜亂，若不先「清理」，就不易做出良好的預測。

指數平滑是用來「平滑」資料雜訊的技術。

預測的信心

任何預測都會有誤差，因為那些日期沒有實際觀測值！

信賴區間：在假設的信賴水準（%）下，提供資料可能落入的範圍。

Power BI 讓你 設定你想要的 預測信賴程度。`

股票資料集

我們將以 Microsoft 的股票資料（代號：MSFT）來練習預測。資料包含該日的基本交易價格資訊。

一起來練習吧！

Power BI 的時間序列分析