Comment fonctionne la prévision dans le Tableau
Tous les algorithmes de prévision sont des modèles simples d'un ensemble de données du monde réel processus de production (DGP). Pour une prévision de haute qualité, un modèle simple dans le DGP doit correspondre au schéma décrit par le modèle assez bien. Les mesures de qualité mesurent à quel point le modèle correspond à la DGP. Si la qualité est faible, la précision mesurée par les bandes de confiance n'a pas d'importance, car elle mesure la précision d'une estimation inexacte.
Lissage Exponentiel et tendance
En général, plus les points de données que vous avez dans votre série chronologique, meilleure est la prévision résultant seront. Avoir suffisamment de données est particulièrement important si vous voulez modéliser la saisonnalité, parce que le modèle est plus complexe et exige plus de preuves sous la forme de données pour atteindre un niveau de précision raisonnable. D'autre part, si vous prévoyez en utilisant les données générées par deux ou plusieurs DGP, vous obtiendrez une prévision de moindre qualité parce qu'un modèle ne peut correspondre à l'un.
saisonnalité
tests de tableaux pour les un cycle saisonnier avec la longueur la plus typique de l'agrégation temporelle de la série temporelle pour laquelle la prévision est estimée. Donc, si vous regroupez par mois, Tableau cherchera un cycle de 12 mois; si vous regroupez par quarts, Tableau recherchera un cycle de quatre trimestres; et si vous regroupez par jours, Tableau recherchera la saisonnalité hebdomadaire. Par conséquent, s'il y a un cycle de six mois dans votre série chronologique mensuelle, Tableau trouvera probablement un modèle de 12 mois qui contient deux sous-modèles similaires. Cependant, s'il y a un cycle de sept mois dans votre série chronologique mensuelle, Tableau trouvera probablement pas de cycle du tout. Heureusement, les cycles de sept mois sont rares.
Tableau peut utiliser l'une des deux méthodes pour obtenir la longueur de la saison. La méthode temporelle originale utilise la durée de la saison naturelle de la granularité temporelle (TG) de la vue. granularité temporelle signifie que l'unité meilleur du temps exprimé par la vue. Par exemple, si la vue contient soit une date verte continue tronquée à mois ou parties de date discrètes année bleu et mois, la granularité temporelle de la vue est le mois. La nouvelle méthode non temporelle, introduite avec Tableau 9.3, utilise la régression périodique pour vérifier la longueur de la saison de 2 à 60 pour des longueurs de candidats.
Tableau sélectionne automatiquement la méthode la plus appropriée pour une vue donnée. Lorsque Tableau utilise une date d'ordonner les mesures en vue, si la granularité temporelle est trimestrielle, mensuelle, hebdomadaire, quotidienne ou toutes les heures, les longueurs de saison sont presque certainement 4, 12, 13, 7 ou 24, respectivement. Alors que la longueur naturelle du TG est utilisé pour construire les cinq modèles de lissage exponentiel de saison pris en charge par Tableau. L'AIC des cinq modèles saisonniers et les trois modèles non saisonniers sont comparés et le plus bas revenu. (Pour une explication de la métrique AIC, voir les descriptions des prévisions.)
Quand Tableau utilise une dimension entière de prévision, le second procédé est utilisé. Dans ce cas, il n'y a pas granularité temporelle (TG), de sorte que la longueur de la saison potentiels doit être dérivée des données.
La deuxième méthode est également utilisée si la granularité temporelle est annuelle. série annuelle ont rarement la saisonnalité, mais, si elles le font, il doit également être dérivé des données.
Pour les séries commandées par année, minute ou seconde, une longueur de saison unique à partir des données est testé si le modèle est assez clair. Pour entier a ordonné la série, jusqu'à neuf un peu moins claires longueurs de saison potentielles sont estimées pour les cinq modèles saisonniers, et le modèle avec l'AIC le plus bas est retourné. S'il n'y a pas de candidats probables durée de la saison, seuls les modèles non saisonniers sont estimés.
Puisque toute sélection est automatique lorsque Tableau est dérivez longueurs de saison potentielles à partir des données, la valeur par défaut modèle Type de « Automatique » dans les options de dialogue Modèle de prévision menu Type ne change pas. Sélection « automatique sans caractère saisonnier » améliore les performances en éliminant toute recherche de durée de la saison et l'estimation des modèles saisonniers.
Pour le type de modèle « automatique » dans les vues integer-, d'année, minute- et de deuxième ordre, les longueurs de la saison des candidats sont toujours dérivées des données si elles sont ou non utilisés. Étant donné que l'estimation du modèle est beaucoup plus de temps que la régression périodique, l'impact sur les performances devrait être modérée.
Types de modèles
Dans la boîte de dialogue Options de prévisions, vous pouvez choisir le type de modèle utilisateurs de tableaux pour les prévisions. Le réglage automatique est généralement optimale pour la plupart des points de vue. Si vous choisissez Personnalisé. vous pouvez spécifier les tendances et les caractéristiques saison indépendamment, en choisissant soit Aucun. Additif. ou multiplicatif:
Un modèle additif est celui dans lequel la contribution des composants du modèle sont additionnés, alors qu'un modèle multiplicatif est celui dans lequel au moins certaines contributions composantes sont multipliées. modèles multiplicatifs peuvent améliorer considérablement la qualité des prévisions pour les données où la tendance ou la saisonnalité est affectée par le niveau (magnitude) des données:
Gardez à l'esprit que vous n'avez pas besoin de créer un modèle personnalisé pour générer une prévision qui est multiplicatif: le réglage automatique peut déterminer si une prévision multiplicatif est appropriée pour vos données. Cependant, un modèle multiplicatif ne peut pas être calculé lorsque la mesure à prévoir a une ou plusieurs valeurs qui sont inférieures ou égales à zéro.
La prévision avec le temps
Tableau prend en charge trois types de dates, dont deux peuvent être utilisés pour la prévision:
Année + trimestre + mois
D'autres parties de date, comme le quartier ou quartier + mois. ne sont pas valides pour les prévisions. Voir convertir des champs entre discret et continu pour plus de détails sur les différents types de date.
Il est également possible de prévoir sans date. Voir la prévision Lorsque aucune date n'est dans la vue.
Granularité et taillage
Lorsque vous créez une prévision, vous sélectionnez une dimension de date qui spécifie une unité de temps au cours de laquelle les valeurs de date sont à mesurer. dates de tableau prennent en charge une gamme de ces unités de temps, y compris l'année, trimestre, mois et jour. L'unité que vous choisissez pour la valeur de date est connue comme la granularité de la date.
Obtenir plus de données
Tableau nécessite au moins cinq points de données dans la série chronologique pour estimer une tendance, et les points de données assez pour au moins deux saisons ou une saison et cinq périodes pour estimer la saisonnalité. Par exemple, au moins neuf points de données sont nécessaires pour estimer un modèle avec un cycle saisonnier quatre trimestres (4 + 5), et au moins 24 pour estimer un modèle avec un cycle saisonnier de douze mois (2 * 12).
Si vous activez la prévision pour une vue qui ne dispose pas de suffisamment de points de données pour soutenir une bonne prévision, peut parfois récupérer Tableau des points de données suffisantes pour produire une prévision valable en interrogeant la source de données pour un niveau de granularité plus fine:
Si votre vue contient moins de neuf années de données, par défaut, Tableau interroge la source de données pour les données trimestrielles, estimer une prévision trimestrielle et globale à une prévision annuelle pour afficher dans votre vue. S'il y a encore pas de points de données assez, Tableau estimera une prévision mensuelle et retourner les prévisions annuelles agrégées à votre vue.
Si votre vue contient moins de neuf trimestres de données, par défaut Tableau estimerons une prévision mensuelle et de retour les résultats prévisionnels trimestriels agrégés à votre vue.
Si votre vue contient moins de neuf semaines de données, par défaut, Tableau estimera une prévision quotidienne et retourner les résultats des prévisions hebdomadaires agrégées à votre vue.
Si votre vue contient moins de neuf jours de données, par défaut, Tableau estimera une prévision horaire et retourner les résultats des prévisions quotidiennes agrégées à votre vue.
Si votre vue contient moins de neuf heures de données, par défaut, Tableau estimera une prévision et retourner les résultats de minutieusement les prévisions horaire agrégées à votre vue.
Si votre vue contient moins de neuf minutes de données, par défaut, Tableau estimera une prévision et de retour d'autre part les résultats agrégés à des prévisions minutieusement votre point de vue.
Tableau ne peut obtenir plus de données lorsque l'agrégation pour la mesure que vous les prévisions est SUM ou COUNT. Voir agrégations informations sur les types d'agrégation disponibles et des informations sur la façon de modifier le type d'agrégation.