كيفية تحليل بيانات السلاسل الزمنية لـ LuckyTemplates بسهولة

ستعلمك هذه المدونة كيفية تقسيم بيانات السلاسل الزمنية لـ LuckyTemplates إلى مكونات أساسية. يمكنك مشاهدة الفيديو الكامل لهذا البرنامج التعليمي أسفل هذه المدونة .

توجد بيانات السلاسل الزمنية في كل مكان ، من مقاييس معدل ضربات القلب إلى أسعار وحدات البضائع المخزنة ، وحتى في النماذج العلمية. يمكن أن يكون تقسيم هذه البيانات إلى أجزاء أساسية مفيدًا ، لا سيما في إعداد مخططات التقارير والعروض التقديمية.

ستساعدك طريقة تحليل السلاسل الزمنية لهذه المدونة على إيجاد طريقة أفضل لتقديم البيانات عند وصف الاتجاهات أو الموسمية أو الأحداث غير المتوقعة. إنها أيضًا نقطة انطلاق رائعة للتنبؤ في LuckyTemplates .

جدول المحتويات

• أنواع الرسوم البيانية
• مجموعة بيانات LuckyTemplates Time Series
• نص بايثون
• سلسلة زمنية LuckyTemplates تتحلل موسميًا
• إنشاء مرئيات باستخدام بيانات المتسلسلة الزمنية لـ LuckyTemplates
• الموسمية
• المخلفات
• عدم إعادة ضبط الفهرس
• خاتمة

أنواع الرسوم البيانية

يوجد في الصورة أعلاه العديد من الرسوم البيانية ، بما في ذلك  الفعلية ،  والاتجاهات ،  والموسمية ،  والضوضاء . أحد أفضل الأشياء في هذه الصورة المرئية هو وجود انخفاضات في كل رسم بياني .

يمكن أن تكون هذه الميزة مفيدة عندما تريد إبراز بعض العوامل الحاسمة التي تؤثر على الاتجاهات ، مثل الدخل والوظيفة في اتجاه شراء المستهلك. 

وينطبق الشيء نفسه على تحديد الأنماط الموسمية ، حيث يمكنهم وصف حركات النمو الشهرية أو الفصلية للشركة.

كما أنها ممتازة لتحديد تقلبات البيانات مثل مستويات الضوضاء المتبقية للدراسات العلمية وما شابه. على سبيل المثال ، يمكننا أن نرى في الرسم البياني أدناه زيادة في المستويات المتبقية خلال السنوات العشر الماضية ، مما يعطينا نظرة ثاقبة على الاتجاه المحتمل.

يكون فهم حركات البيانات المعقدة خلال فترة طويلة أسهل بكثير عند تقديمها من خلال الرسوم البيانية أعلاه. إن استيعاب جميع المعلومات والتعرف على الأنماط والاتجاهات التي أمامك أسهل كثيرًا.

نتيجة لذلك ، يعمل ذلك على تحسين الاهتمام والمحادثة المحيطة بتقرير البيانات أو العرض التقديمي. يساعدك أيضًا على فهم ما يحدث في مبيعاتك أو إنتاجك أو أي شيء آخر.

مجموعة بيانات LuckyTemplates Time Series

سأوضح لك طريقتين لتفكيك سلسلة البيانات هذه ، والتي تم إنشاؤها في محرر Python Scrip. سأعلمك أيضًا كيفية إنشاء صورة Python المرئية باستخدام نفس المعلومات. أخيرًا ، سأعطيك فكرة عما تحتاج إلى وضعه في Power Query.

يوجد أدناه مجموعة بيانات نموذجية مع عمود تاريخ شهري من 1985 إلى 2018 جنبًا إلى جنب مع عمود قيمة الإنتاج الخاص بالماكينة.

نص بايثون

بعد ذلك ، سنذهب إلى Python Script Editor ونضيف رمزًا إلى عمودين من مجموعة البيانات الخاصة بنا. سيقوم الكود باستيراد  الباندا مثل pd ، ومكتبة معالجة البيانات ، و  matplotlib.pylot كـ plt ، والتي تُظهر صورنا. وللتحلل الموسمي لدينا ، سيتم استيراد حزمة من  statsmodels  و  tsa.seasonal .

يوضح المتغير الموجود في السطر الرابع مكان حفظ بياناتنا ، وفي السطر الخامس ، ستجد أنني قمت بتغيير  اسم مجموعة البيانات  إلى  df  لأنه من الأسهل كتابته. وفي السطر الحادي عشر ، تأكدت من أن التاريخ قد تم ضبطه على وقت التاريخ ثم جعلت الفهرس هو التاريخ في اليوم الثاني عشر.

سلسلة زمنية LuckyTemplates تتحلل موسميًا

لإجراء تحليل موسمي ، نحتاج إلى فهرس يمثل سلسلة زمنية أو فهرس وقت للتاريخ. وبالتالي ، سنقوم بتعيين فهرس البيانات على أنه التاريخ والعمود الأول.

نريد أيضًا ضبط وتيرة البيانات في  بداية الشهر  ( MS ) باستخدام  متغير df  جنبًا إلى جنب مع  وظيفة التكرار  ، كما هو موضح في السطر الثالث عشر أدناه.

أخيرًا ، نستخدم plt.show لمعرفة ما أنشأناه. وإذا نفذنا ذلك ، فستحصل على النتيجة أدناه.

الآن لدينا تحلل موسمي لدينا. وكما ترى من الصورة أعلاه ، فهي تحتوي على  القيم الفعلية ،  والاتجاه ،  والموسمية ،  والمتبقي . ستمنحك هذه الرسوم البيانية الكثير من المعلومات حول ما يحدث في مبيعاتك أو إنتاجك بمرور الوقت.

إنشاء مرئيات باستخدام بيانات المتسلسلة الزمنية لـ LuckyTemplates

دعنا نعود إلى تلك الصفحة الرئيسية حتى أتمكن من توضيح كيفية إنشاء هذه الرسوم البيانية داخل البيانات. ثم ننتقل إلى التحويل ونرى مجموعة البيانات الأصلية أدناه ، والتي تتعلق بالإنتاج الكهربائي.

كما ترون ، لقد أعددت ثلاثة جداول للموسمية ، والمتبقي ، والاتجاهات . كان من الصعب وضعهم معًا على طاولة واحدة ، لذلك قسمتهم إلى ثلاثة. لكن من السهل نسخ ولصق رمز بياناتنا.

الموسمية

إذا انتقلنا إلى جدول الإنتاج الكهربائي ، فسترى أنه يحتوي على أعمدة الموسمية والتاريخ والإنتاج. سيعرض عمود الموسمية التقلبات بمرور الوقت. سنستعرض خطوات إنشائه.

إذا توجهنا إلى  "الخطوات المطبقة" ، يمكنك أن ترى أنني قمت بالفعل بترقية العناوين وإعادة تسمية الأعمدة ، من بين أمور أخرى. ما سنفعله هنا هو النقر فوق  خطوة تشغيل Python Script  .

كما ترون في الصورة أدناه ، فعلنا نفس الشيء تقريبًا الذي فعلناه مع بصريتنا عندما أنشأناها في Python Visual. لقد قمنا بإحضار مكتباتنا المطلوبة ، بما في ذلك  الباندا  و  statsmodels.tsa.seasonal  والدالة  seasonal_decompose  .

قمنا أيضًا بإعادة حفظ متغير مجموعة البيانات لدينا كـ df لتسهيل الكتابة وإنشاء تاريخ. للتأكد من أنه تاريخ ، قمنا بعزل عمود التاريخ ثم استخدمنا  pd.to_datetime.  بعد ذلك ، حفظناها على  df .

ثم قمنا بتغيير التردد إلى الشهر البداية ( MS ) لأننا أردنا إعطاء هذه التواريخ إلى  وظيفة التخصيص الموسمية .

بدلاً من التخطيط لوظيفتنا ، قمنا بسحب الجزء الموسمي ، ومررنا مجموعة البيانات الخاصة بنا ، واستخدمناها. الموسمية  فقط لإخراج البيانات الموسمية. أخيرًا ، قمنا بإعادة ضبط الفهرس حتى نتمكن من رؤية التاريخ مرة أخرى.

 الآن إذا قمت بالنقر فوق "موافق" ، يمكنك أن ترى أنه تم إعطاؤك مجموعة البيانات الأصلية ثم df الذي نمثله.

إذا نقرنا على  جدول  (مظلل في الصورة أعلاه) وفتحناه ، فسنحصل على جدول موسمية الإنتاج أدناه. إذا كنت تريد إنشاء جدول مشابه لهذا الجدول ، فما عليك سوى نسخ البرنامج النصي الذي عرضته عليك سابقًا.

المخلفات

الآن دعنا ننتقل إلى العناصر المتبقية حيث كان الشيء الوحيد الذي قمت بتغييره هو الطريقة أو النقطة التي تلي عملية التحليل الموسمية .

عدم إعادة ضبط الفهرس

إذا لم نقم بإعادة ضبط الفهرس وانقر فوق "موافق" ، فسيعود البرنامج النصي الخاص بنا إلى خطأ. لذلك إذا وضعنا  #  قبل  df.reset_index  في السطر الأخير من البرنامج النصي الخاص بنا ، فسوف ينتج عن ذلك الجدول أدناه. كما ترى في الصورة ، الفهرس مفقود ولا يوجد عمود تاريخ.

وبالتالي ، نحتاج إلى إعادة ضبط الفهرس لأنه يُرجع التاريخ ، والذي سيعمل على أنه هذا الفهرس. لذلك إذا أزلنا هذا  # ، فسوف يعيدني إطار البيانات ، مما ينتج عنه الجدول أدناه ، والذي يحتوي الآن على عمود التاريخ.

ويمكنك استخدام نفس الطريقة مع Trend ، مما يجعله نصًا سهلاً حقًا يمكنك الوصول إليه في أي وقت تريده.

تقارير إدارة المخزون لإظهار الاتجاهات في
إدارة البيع بالتجزئة وتقارير التنبؤ بالطلب في LuckyTemplates
LuckyTemplates نصائح لتصور البيانات لتحليل اتجاهات KPI

خاتمة

أنت الآن تعرف طريقة رائعة لتحطيم صورك. باستخدام برنامج نصي بسيط ، يمكنك البدء في إنشاء مرئيات لبيانات السلاسل الزمنية الموسمية والاتجاه والمتبقي في LuckyTemplates و Python .

باستخدام طريقة تحليل السلاسل الزمنية لـ LuckyTemplates ، يمكنك وصف البيانات التي تتضمن اتجاهات المبيعات أو النمو الموسمي والتغييرات أو الأحداث غير المتوقعة. إنها أيضًا أداة رائعة للتنبؤ. وأفضل جزء هو أنه يمكنك بسهولة نسخ هذا البرنامج النصي ولصقه لأي بيانات سلسلة زمنية لديك.