نموذج التنبؤ LuckyTemplates باستخدام Python

يعد التنبؤ جانبًا مهمًا من جوانب تحليل البيانات ، حيث يتيح للشركات اتخاذ قرارات مستنيرة حول المستقبل بناءً على البيانات التاريخية. تتمثل إحدى الطرق الفعالة لتنفيذ هذه المهمة في استخدام نموذج التنبؤ LuckyTemplates باستخدام Python. LuckyTemplates هي أداة ذكاء أعمال شائعة تتيح للمستخدمين إنشاء تصورات تفاعلية للبيانات والتقارير ولوحات المعلومات. 

في هذا البرنامج التعليمي ، نتعلم كيفية إنشاء نموذج تنبؤ في LuckyTemplates باستخدام Python. سنستخدم Python في Power Query لإنشاء قيم متوقعة وإدخالها في تصورات LuckyTemplates. يمكنك مشاهدة الفيديو الكامل لهذا البرنامج التعليمي أسفل هذه المدونة .

جدول المحتويات

• عينات نموذج التنبؤ LuckyTemplates
• نموذج التنبؤ LuckyTemplates: الضوابط والقيود 
• تحليل الاتجاه لنماذج التنبؤ بايثون و LuckyTemplates
• استخدام كود بايثون للتنبؤ
  • تدريب النموذج
  • الاتجاهات المضافة والمضاعفة
• تنفيذ LuckyTemplates 
• مراجعة نص بايثون 
• خاتمة

عينات نموذج التنبؤ LuckyTemplates

فيما يلي بعض نماذج التنبؤ في LuckyTemplates لتظهر لك ما نريد تحقيقه في هذا البرنامج التعليمي. هذه مشاهدات فعلية للصفحة تكشف عن الموسمية الأسبوعية وبعض الذروات الموسمية في البيانات. 

في النهاية ، يمكننا أن نرى الاتجاه المتزايد في بياناتنا والذي نريد أن نلتقطه في نموذجنا.

نموذج التنبؤ LuckyTemplates: الضوابط والقيود 

يوجد أدناه نموذج التنبؤ لمدة 30 يومًا الذي تم إنشاؤه باستخدام LuckyTemplates. لها نفس الموسمية مثل عروض الصفحة الفعلية ، وفي LuckyTemplates ، لدينا أيضًا خيارات للتحكم في بعض البيانات.

يمكننا القيام بذلك عن طريق فتح Analytics في جزء المرئيات . بعد ذلك ، مرر مؤشر الماوس لأسفل إلى التوقعات> الخيارات . 

ضع 30 يومًا في مدة التوقعات واضبط فترة الثقة على 95٪. يمكن للنظام توقع الموسمية بإعداداتها الافتراضية ، ولكن يمكننا أيضًا إضافة 7 لتمثيل الموسمية الأسبوعية. 

انقر فوق تطبيق ويجب أن نحصل على نموذج مشابه للنموذج أعلاه.

تحليل الاتجاه لنماذج التنبؤ بايثون و LuckyTemplates

يقوم LuckyTemplates بعمل رائع في النمذجة الموسمية. ومع ذلك ، فإن خط الاتجاه الخاص به لا يؤدي نفس الأداء.

لبدء تحليل الاتجاه ، قم بتشغيل خط الاتجاه في جزء المرئيات .

بمجرد أن نرى اتجاهًا تصاعديًا. يجب أن نكون قادرين على إضافة هذا الاتجاه إلى بياناتنا والتي ستؤثر بعد ذلك على التوقعات. 

يمكننا فعل ذلك باستخدام نموذج بايثون الخاص بنا . كما نرى في النموذج أدناه ، فقد ارتفع الاتجاه الموسمي بدلاً من البقاء ثابتًا.

استخدام كود بايثون للتنبؤ

إن استخدام بايثون لتحقيق هدفنا ليس بالمهمة الصعبة. للبدء ، افتح دفتر Jupyter الخاص بك . 

أحضر البيانات التي نحتاجها: الباندا ، matplotlib.pyplot ، seaborn ، و ExponentialSmoothing . 

هناك نماذج أخرى من المحتمل أن تكون أكثر دقة ، لكنها تتطلب مزيدًا من التحسين. 

سنقوم أيضًا بإحضار seasonal_decompose لمعرفة الموسمية والاتجاه. بعد ذلك ، استخدم توقعات الويب web_forecast.xlsx لقراءة بياناتنا. 

بعد ذلك ، قم بتبديل التاريخ باستخدام الرمز أدناه. 

اضبط فهرس مجموعة البيانات لدينا على التاريخ واسمه ts. ثم قم بتعيين تردد مجموعة البيانات. نعلم أن لدينا بيانات يومية ، لذلك دعونا نضبط التردد على d كما في اليوم ونحفظه في ts . 

أخيرًا ، ارسم باستخدام ts.plot ().

بعد التخطيط ، يجب أن نرى بالضبط ما رأيناه في دفتر LuckyTemplates الخاص بنا.  

للحصول على فكرة أفضل عن المكونات في اتجاهنا الفعلي ، يمكننا استخدام الكود التالي.

النموذج الأول هو Actuals لدينا . بجانبه يوجد خط الاتجاه الذي نلتقطه باستخدام seasonal_decompose (ts) .plot () ؛ .

هذا هو الاتجاه الذي نحتاج إلى إضافته إلى النموذج. 

لدينا أيضًا الموسمية التي يمكننا إضافتها إلى كل من LuckyTemplates ونموذج التجانس الأسي. 

يُظهر نموذجنا الأخير العناصر المتبقية أو غير المتوقعة في البيانات التي يتم تمثيلها بالنقاط. لاحظ أنه بينما نتحرك نحو نهاية بياناتنا ، يمكننا أن نرى أن هناك الكثير من الأحداث التي تحدث. 

تدريب النموذج

مع نموذجنا ، نحتاج إلى تدريب بياناتنا التي يتبعها عادةً الاختبار. ومع ذلك ، في هذه الحالة ، لن نختبر نموذجنا لأننا سنستخدم فقط ما يقدمه لنا النموذج. 

هناك 298 يومًا في مجموعة البيانات الخاصة بنا ، ولكن في هذا المثال ، نحتاج فقط إلى النموذج لتذكر 290 يومًا من تلك الأيام. هذا لأننا لا نريد أن نعطي النموذج جميع البيانات التي لا يمكنه تعلمها وسوف ينسخها في النهاية. 

في الأساس ، لدينا مجموعة التدريب هذه من 290 يومًا من 298. 

بعد ذلك ، استخدم ExponentialSmoothing لنموذجنا. بعد ذلك ، قم بتمرير مجموعة بيانات التدريب التي تبلغ 290 يومًا ، واستخدم إضافة (مضافة) لاتجاهنا ، مول (مضاعف) لموسمنا ، و 7 للفترات الموسمية. بعد ذلك ، أدخل تلك البيانات في النموذج.

الاتجاهات المضافة والمضاعفة

دعونا نلقي نظرة عامة سريعة على ماهية الاتجاهات المضافة والمضاعفة.

في النموذج المضاف ، يضيف الاتجاه ببطء ، بينما في النموذج المضاعف ، يزداد أضعافًا مضاعفة وهناك الكثير يحدث أيضًا. يمكننا استخدام أي من الاثنين للحصول على نوع مختلف من التنبؤ. 

يمكننا التلاعب بالطرق الإضافية والمضاعفة لتعديل تنبؤاتنا. تتزايد بياناتنا الحالية بشكل واضح ، لذا من الضروري استخدام المضافات ، ولكن يمكننا أيضًا محاولة استخدام المضاعف لمعرفة ما سنحصل عليه. 

على سبيل المثال ، قم  بتغيير الموسمية من مول للإضافة .

قم بتشغيل البيانات ولاحظ كيف يتغير التنبؤ.

وبالمثل ، يمكننا تغيير الاتجاه من إضافة إلى مول . 

يجب أن ينتج عن هذا اتجاه مضاعف أكبر قليلاً. 

بعد تجربة المجموعات الممكنة ، وجد أن استخدام مول لكل من الاتجاه والموسم يعطي أفضل نتيجة. 

بمجرد أن نحصل على نموذج التنبؤ هذا ، يمكننا بعد ذلك استخدامه للتنبؤ قبل 30 يومًا. 

تنفيذ LuckyTemplates 

دعنا ننشئ نفس نموذج التنبؤ LuckyTemplates في دفتر LuckyTemplates الخاص بنا.

في توقع LuckyTemplates الخاص بنا ، انتقل إلى المرئيات> التحليلات> الخيارات. لاحظ كيف قمنا بتعيين طول التوقعات على 30 يومًا. 

دعونا نرى كيف يمكننا تنفيذ هذا الرمز بسهولة بالغة في Power Query. 

انقر فوق تحويل البيانات. 

في محرر Power Query ، قم بإحضار البيانات وإضافة عمود مخصص للفئة . استخدم القيم الفعلية حتى نتمكن لاحقًا من فصل القيم الفعلية عن التوقعات. 

إذا انتقلنا إلى استعلام التوقعات ، فسنرى مجموعة بيانات أصغر تعادل 30 يومًا في المستقبل.

مراجعة نص بايثون 

يحتوي نص Python الخاص بنا على معلومات مماثلة. أولاً ، نحضر مجموعة بيانات ، ونحفظها على شكل df ، ونغير التاريخ إلى التاريخ والوقت ، ونضبط التردد على d (اليوم). 

نأتي أيضًا بنموذج ExponentialSmoothing الخاص بنا من هولتوينتر . نأخذ أول 290 يومًا كمجموعة تدريب ثم نضيف تلك البيانات إلى النموذج. 

في نموذج ExponentialSmoothing الخاص بنا ، نضيف بيانات التدريب وقمنا بتعيين كل من الاتجاهات والموسمية إلى مول (مضاعف) والفترات الموسمية إلى 7 أيام. ثم نلائم نموذجنا.

بعد ذلك ، نحصل على إطار أو جدول بيانات جديد مع توقعاتنا. نقوم بإعادة تعيين الفهرس والتأكد من تسميتهما بالتاريخ ومرات مشاهدة الصفحة لمطابقة ما لدينا في بياناتنا الأصلية. أخيرًا ، نضغط على موافق. 

في المخرجات ، حصلنا على كل هذه المتغيرات ضمن البيانات. 

انتقل إلى "الخطوات المطبقة" وانقر فوق العمود المضاف . يؤدي هذا إلى فتح جدول بقيمنا المتوقعة والعمود المخصص الذي يحتوي على التوقعات كفئة. 

في الاستعلام التالي ، نقوم ببساطة بإلحاق مجموعتي البيانات حيث لدينا القيم الفعلية والتوقعات . 

انقر فوق إغلاق وتطبيق. 

تغير النموذج قليلاً عندما طبقنا طريقة الضرب. 

مقارنةً بـ LuckyTemplates ، يمكننا بسهولة إجراء توقع وتحسين النموذج أكثر قليلاً عن طريق تغيير الطبيعة الإضافية للاتجاه والموسمية في Python . يمكننا أيضًا إضافة تلك التنبؤات إلى مجموعة بياناتنا الفعلية. 

إنشاء تنبؤات أمامية في LuckyTemplates باستخدام DAX
كيفية إجراء تحليل الاتجاه في LuckyTemplates باستخدام DAX
إدارة الموسمية في تحليلات الميزانية - Advanced LuckyTemplates

خاتمة

في هذه المدونة ، مررنا خلال عملية إنشاء نموذج تنبؤ في LuckyTemplates باستخدام Python . من خلال دمج Python في LuckyTemplates ، يمكننا الوصول إلى مجموعة واسعة من أدوات تحليل البيانات والنمذجة ، مما يسمح لنا بإنشاء تنبؤات أكثر تقدمًا. 

باستخدام المهارات التي تعلمتها في هذا البرنامج التعليمي ، يمكنك الآن إنشاء نماذج التنبؤ الخاصة بك في LuckyTemplates واستخدامها للتخطيط للمستقبل بثقة. تذكر أن التنبؤ هو عملية تكرارية ، لذلك لا تتردد في تجربة خوارزميات وتقنيات مختلفة للعثور على أفضل الخوارزميات والتقنيات التي تعمل بشكل أفضل لبياناتك والتحقق من نموذجك وتحديثه باستمرار مع ظهور بيانات جديدة.

أتمنى لك كل خير،

جايليم هولاند