Wie Forecasting Works in Tableau
Alle Vorhersage-Algorithmen sind einfache Modelle von einem realen Datenerzeugungsprozess (DGP). Für eine hohe Qualität Prognose, ein einfaches Muster in der DGP muss das Muster durch das Modell recht gut beschrieben entsprechen. Qualitätsmetriken messen, wie gut das Modell die DGP übereinstimmt. Wenn die Qualität niedrig ist, ist die Präzision durch die Konfidenzbänder gemessen nicht wichtig, weil sie die Genauigkeit einer ungenauen Schätzung misst.
Exponentielle Glättung und Trend
Im Allgemeinen sind die mehr Datenpunkte in Ihrer Zeitreihen haben, desto besser wird die resultierende Prognose sein. genügend Daten ist besonders wichtig, wenn Sie Saisonalität modellieren mögen, weil das Modell ist komplizierter und erfordert mehr Beweise in Form von Daten, die ein vernünftiges Maß an Präzision zu erreichen. Auf der anderen Seite, wenn Sie mit zwei oder mehr verschiedenen DGPs erzeugten Daten prognostiziert, werden Sie eine niedrigere Qualität Prognose erhalten, weil ein Modell nur eine mithalten können.
Saisonalität
Tableau-Tests für einen saisonalen Zyklus mit der Länge typischsten für die Zeit, die Aggregation der Zeitreihe, für die die Prognose geschätzt wird. Wenn Sie also nach Monaten aggregieren, wird Tableau suchen Sie nach einem 12-Monats-Zyklus; wenn Sie mit dem Viertel aggregieren, wird Tableau für einen Vierviertelzyklus suchen; und wenn Sie mit dem Tag aggregieren, wird Tableau für die wöchentliche Saisonalität suchen. Deshalb, wenn es ein sechsmonatigen Zyklus in Ihrer monatlichen Zeitreihe ist, wird Tableau wahrscheinlich ein 12-Monats-Muster finden, die zwei ähnliche Untermuster enthält. Wenn jedoch ein Sieben-Monats-Zyklus in Ihrer monatlichen Zeitreihe ist, wird Tableau wahrscheinlich findet überhaupt keinen Zyklus. Glücklicherweise sind sieben Monate Zyklen ungewöhnlich.
Tableau kann zum Ableiten Saison Länge einer von zwei Methoden verwenden. Die ursprüngliche zeitliche Methode nutzt die natürliche Saison Länge der zeitlichen Granularität (TG) der Ansicht. Zeitliche Granularität bedeutet die feinste Zeiteinheit durch die Ansicht geäußert. Wenn zum Beispiel der Ansicht enthält entweder ein kontinuierliches Monat oder diskrete blau Jahr und Monat Datumsteile abgeschnitten grün Datum, die zeitliche Granularität der Ansicht ist Monat. Die neuen nicht-temporalen Verfahren eingeführt mit Tableau 9.3 verwenden periodische Regressionssaison Längen von 2 bis 60 für die Kandidaten Längen zu prüfen.
Tableau wählt automatisch die am besten geeignete Methode für eine bestimmte Ansicht. Wenn Tableau ist ein Datum mit den Maßnahmen in Hinblick auf die Bestellung, wenn die zeitliche Granularität ist vierteljährlich, monatlich, wöchentlich, täglich oder stündlich, sind die Saison Längen an Sicherheit grenzender Wahrscheinlichkeit 4, 12, 13, 7 bzw. 24. Also nur die Länge natürliche zum TG wird verwendet, um die fünf saisonal exponentielle Glättung Modelle von Tableau unterstützt zu konstruieren. Die AIC der fünf saisonal Modelle und die drei nicht-saisonalen Modelle werden verglichen, und die niedrigste zurückgegeben. (Eine Erklärung der AIC-Metrik, siehe Beschreibungen Forecast.)
Wenn Tableau eine ganze Zahl Dimension für die Vorhersage verwendet wird, wird die zweite Methode verwendet. In diesem Fall gibt es keine zeitliche Granularität (TG), so potentielle Saison Längen müssen aus den Daten abgeleitet werden.
Die zweite Methode wird auch verwendet, wenn die zeitliche Granularität jährlich ist. Jährlich Serie haben selten Saisonalität, aber wenn sie es tun, es muss auch von den Daten abgeleitet werden.
Für nach Jahren geordnete Reihe, Minute oder Sekunde, eine einzige Saison Länge aus dem Datum geprüft, ob das Muster ziemlich klar ist. Für ganzzahlige Serie bestellt, zurückgegeben wird, bis zu neun etwas weniger klar Potenzial Saison Längen werden für alle fünf Saison-Modelle, und das Modell mit dem niedrigsten AIC geschätzt. Wenn es keine Wahrscheinlichkeit Saison Länge Kandidaten sind, werden nur die nicht-saisonalen Modelle geschätzt.
Da alle Auswahl erfolgt automatisch, wenn Tableau Potential Saison Längen aus den Daten abzuleiten, wird das Standardmodell von „Automatisch“ im Prognoseoptionendialog Modelltyp-Menü nicht ändern. „Automatisch ohne Saisonalität“ Auswählen verbessert die Leistung durch die ganze Saison lang Suche und Schätzung von Saison Modelle zu eliminieren.
Für Modelltyp „Automatisch“ in Integer-, Jahres-, Minuten- und Sekunden geordnete Ansichten, Kandidat Saison Längen werden immer aus den Daten abgeleitet, ob sie verwendet werden. Da Modellschätzung viel mehr Zeit als periodischer Regressionsraubend, sollten die Auswirkungen auf der Leistung moderat sein.
Modelltypen
Im Prognosedialogfeld Optionen können Sie den Modelltyp Tableau Benutzer für die Prognose wählen. Die automatische Einstellung ist in der Regel optimal für die meisten Ansichten. Wenn Sie wählen Benutzerdefiniert. dann können Sie die Trend und Saison Eigenschaften unabhängig angeben, entweder keine Wahl. Zusatzstoff. oder Multiplikativ:
Ein additives Modell ist eines, in dem die Beiträge der Modellkomponenten summiert werden, während ein multiplikatives Modell, in dem zumindest einige Komponenten Beiträge multipliziert. Multiplikativ Modelle deutlich Prognosequalität für Daten verbessern, wo der Trend oder Saisonalität von der Ebene betroffen ist (Größe) der Daten:
Beachten Sie, dass Sie nicht brauchen, ein eigenes Modell zu erstellen, eine Prognose zu erzeugen, die multiplikative ist: die automatische Einstellung bestimmen kann, ob eine multiplikative Prognose für Ihre Daten geeignet ist. Jedoch kann ein multiplikatives Modell nicht berechnet werden, wenn die Maßnahme prognostiziert werden muss, einen oder mehr Werte, die kleiner als oder gleich Null ist.
Forecasting mit Zeit
Tableau unterstützt drei Arten von Daten, von denen zwei für die Prognose verwendet werden kann:
Jahr + Quartal + Monat
Andere Datumsteile, wie Quarter oder Quarter + Monat. ist für die Prognose nicht gültig. Siehe Konvertieren Felder zwischen diskreter und kontinuierlicher, um weitere Informationen über die verschiedenen Terminarten.
Es ist auch möglich, ohne ein Datum zu prognostizieren. Siehe Forecasting Wenn kein Datum in der Ansicht ist.
Granularität und Trimmen
Wenn Sie eine Prognose erstellen, wählen Sie ein Datum Dimension, die eine Einheit der Zeit, zu der angibt Messwert Datum werden soll. Tableau Daten unterstützen eine Reihe solcher Zeiteinheiten, einschließlich Jahr, Quartal, Monat und Tag. Die Einheit, die Sie für den Datumswert wählen als die Granularität der bisher bekannten.
Immer mehr Daten
Tableau benötigt mindestens fünf Datenpunkte in der Zeitreihe einen Trend zu schätzen, und genügend Datenpunkte für Saisonalität mindestens zwei Jahreszeit oder eine Saison plus fünf Perioden zu schätzen. Zum Beispiel sind mindestens neun Datenpunkte erforderlich, um ein Modell mit einem vier Vierteljahresgang zu schätzen (4 + 5), und mindestens 24, ein Modell mit einem zwölf Monaten saisonalen Zyklus (2 * 12) zu schätzen.
Wenn Sie über die Prognose für eine Ansicht drehen, die nicht genügend Datenpunkte haben eine gute Prognose zu unterstützen, kann Tableau manchmal genügend Datenpunkte abrufen, indem Sie die Abfrage die Datenquelle für eine feinere Ebene der Granularität eine gültige Vorhersage erzeugen:
Wenn Ihre Sicht weniger als neun Jahre Daten enthält, standardmäßig wird Tableau die Datenquelle für die vierteljährlichen Daten abfragen, schätzen eine vierteljährliche Prognose, und aggregieren zu einer jährlichen Prognose in der Ansicht angezeigt werden soll. Wenn es noch nicht genügend Datenpunkte sind, werden Tableau eine monatliche Prognose abzuschätzen und die aggregierten Jahresprognose zu Ihrer Ansicht zurückzukehren.
Wenn Ihre Ansicht enthält weniger als neun Viertel der Daten, die standardmäßig Tableau eine monatliche Prognose schätzen werden und die aggregierten Quartalsprognose Ergebnisse zu Ihrer Ansicht zurückzukehren.
Wenn Ihre Sicht weniger als neun Wochen Daten enthält, standardmäßig wird Tableau eine tägliche Prognose abzuschätzen und die aggregierten wöchentlichen Prognoseergebnisse zu Ihrer Ansicht zurückzukehren.
Wenn Ihre Sicht weniger als neun Tage Daten enthält, standardmäßig wird Tableau eine stündliche Vorhersage abzuschätzen und die aggregierten täglichen Prognoseergebnisse zu Ihrer Ansicht zurückzukehren.
Wenn Ihre Sicht weniger als neun Stunden Daten enthält, standardmäßig wird Tableau eine minutiös Prognose abzuschätzen und die aggregierten stündliche Vorhersage Ergebnisse zu Ihrer Ansicht zurückzukehren.
Wenn Ihre Sicht weniger als neun Minuten Daten enthält, standardmäßig wird Tableau eine zweitens Prognose abzuschätzen und die aggregierten minutiös prognostizierten Ergebnisse zu Ihrer Ansicht zurückzukehren.
Tableau kann nur mehr Daten erhalten, wenn die Aggregation für die Maßnahme, die Sie prognostizieren SUM oder COUNT ist. Siehe Aggregationen für Informationen über die verfügbaren Aggregationstypen und Informationen darüber, wie die Aggregation Typen zu ändern.