So speichern und laden Sie eine RDS-Datei in R
Sie erfahren, wie Sie Objekte aus einer .rds-Datei in R speichern und laden. In diesem Blog wird auch behandelt, wie Sie Objekte aus R in LuckyTemplates importieren.
Prognosen sind ein wichtiger Aspekt der Datenanalyse, da sie es Unternehmen ermöglichen, auf der Grundlage historischer Daten fundierte Entscheidungen über die Zukunft zu treffen. Eine effiziente Möglichkeit, diese Aufgabe auszuführen, ist die Verwendung des LuckyTemplates-Prognosemodells mit Python. LuckyTemplates ist ein beliebtes Business-Intelligence-Tool, mit dem Benutzer interaktive Datenvisualisierungen, Berichte und Dashboards erstellen können.
In diesem Tutorial lernen wir, wie man mit Python ein Prognosemodell in LuckyTemplates erstellt. Wir werden Python in Power Query verwenden, um prognostizierte Werte zu erstellen und diese in die Visualisierungen von LuckyTemplates zu integrieren. Das vollständige Video dieses Tutorials können Sie unten in diesem Blog ansehen .
Inhaltsverzeichnis
Beispiele für LuckyTemplates-Prognosemodelle
Im Folgenden finden Sie einige LuckyTemplates-Prognosemodelle, die Ihnen zeigen, was wir mit diesem Tutorial erreichen möchten. Hierbei handelt es sich um tatsächliche Seitenaufrufe, die wöchentliche Saisonalität und einige saisonale Spitzen in den Daten offenbaren.
Gegen Ende können wir den steigenden Trend in unseren Daten erkennen, den wir in unserem Modell aufgreifen wollen.
LuckyTemplates-Prognosemodell: Kontrollen und Einschränkungen
Nachfolgend finden Sie das mit LuckyTemplates erstellte Modell für die 30-Tage-Prognose. Es unterliegt der gleichen Saisonalität wie die tatsächlichen Seitenaufrufe, und in LuckyTemplates haben wir auch die Möglichkeit, einige der Daten zu steuern.
Wir können dies tun, indem wir Analytics im Bereich „Visualisierungen“ öffnen . Bewegen Sie dann den Mauszeiger nach unten zu Prognose > Optionen .
Geben Sie 30 Tage in die Prognoselänge ein und legen Sie das Konfidenzintervall auf 95 % fest. Das System kann die Saisonalität mit seiner Standardeinstellung vorhersagen , wir können aber auch 7 hinzufügen , um die wöchentliche Saisonalität darzustellen.
Klicken Sie auf „Übernehmen“ und wir sollten ein Modell erhalten, das dem oben abgebildeten ähnelt.
Trendanalyse für Python- und LuckyTemplates-Prognosemodelle
LuckyTemplates leistet hervorragende Arbeit bei der Modellierung der Saisonalität. Die Trendlinie weist jedoch nicht die gleiche Leistung auf.
Um die Trendanalyse zu starten , aktivieren Sie die Trendlinie im Bereich „Visualisierungen“ .
Sobald wir angekommen sind, können wir einen Aufwärtstrend erkennen. Wir sollten in der Lage sein, diesen Trend in unsere Daten aufzunehmen, der dann die Prognose beeinflusst.
Das können wir mit unserem Python- Modell machen. Wie wir im folgenden Modell sehen können, nahm der Trend saisonabhängig zu, anstatt flach zu bleiben.
Verwenden von Python-Code für Prognosen
Mit Python unser Ziel zu erreichen, ist keine schwierige Aufgabe. Öffnen Sie zunächst Ihr Jupyter-Notizbuch .
Bringen Sie die Daten ein, die wir benötigen: pandas, matplotlib.pyplot, seaborn und ExponentialSmoothing .
Es gibt andere Modelle, die wahrscheinlich genauer sind, aber mehr Optimierung erfordern.
Wir werden auch „seasonal_decompose“ einbinden, um die Saisonalität und den Trend zu sehen. Verwenden Sie dann die Webvorhersage web_forecast.xlsx, um unsere Daten auszulesen.
Ändern Sie dann das Datum mit dem folgenden Code.
Setzen Sie den Index unseres Datensatzes auf Date und nennen Sie ihn ts. Legen Sie dann die Häufigkeit des Datensatzes fest. Wir wissen, dass wir tägliche Daten haben, also legen wir die Häufigkeit auf d wie in Tag fest und speichern sie als ts .
Zum Schluss plotten Sie mit ts.plot().
Nach dem Plotten sollten wir genau das sehen, was wir in unserem LuckyTemplates-Notizbuch gesehen haben.
Um eine bessere Vorstellung von den Komponenten in unserem aktuellen Trend zu bekommen, können wir den folgenden Code verwenden.
Das erste Modell sind unsere Istwerte . Daneben befindet sich die Trendlinie, die wir mit „seasonal_decompose(ts).plot();“ aufgreifen. .
Dies ist der Trend, den wir dem Modell hinzufügen müssen.
Wir haben auch die Saisonalität , die wir sowohl zum LuckyTemplates- als auch zum exponentiellen Glättungsmodell hinzufügen können.
Unser letztes Modell zeigt die Residuen oder solche, die in den Daten unerwartet sind und durch Punkte dargestellt werden. Beachten Sie, dass wir, wenn wir uns dem Ende unserer Daten nähern, erkennen können, dass noch viel mehr Ereignisse stattfinden.
Das Modell trainieren
Mit unserem Modell müssen wir unsere Daten trainieren, worauf normalerweise Tests folgen. In diesem Fall testen wir unser Modell jedoch nicht, da wir nur das verwenden, was das Modell uns bietet.
Unser Datensatz enthält 298 Tage, aber in diesem Beispiel muss sich das Modell nur 290 dieser Tage merken. Das liegt daran, dass wir dem Modell nicht alle Daten geben wollen, die es nicht lernen kann und die es letztendlich einfach kopiert.
Im Grunde genommen haben wir diesen Trainingssatz von 290 von 298 Tagen.
Als nächstes verwenden wir ExponentialSmoothing für unser Modell. Übergeben Sie dann den Trainingsdatensatz, der 290 Tage umfasst, und verwenden Sie add (additiv) für unseren Trend, mul (multiplikativ) für unsere Saison und 7 für die Saisonperioden. Passen Sie diese Daten dann in das Modell ein.
Additive und multiplikative Trends
Lassen Sie uns einen kurzen Überblick über die additiven und multiplikativen Trends geben.
In einem additiven Modell addiert sich der Trend langsam, während er im multiplikativen Modell exponentiell zunimmt und auch ziemlich viel passiert. Wir können beides verwenden, um eine andere Art von Vorhersage zu erhalten.
Wir können mit den additiven und multiplikativen Methoden herumspielen, um unsere Vorhersage zu modifizieren. Unsere derzeitigen Daten nehmen eindeutig zu, daher ist die Verwendung des Additivs unbedingt erforderlich. Wir können jedoch auch versuchen, das Multiplikativ zu verwenden, um zu sehen, was wir erhalten.
Ändern Sie beispielsweise die Saisonalität von mul in add .
Führen Sie die Daten aus und beobachten Sie, wie sich die Vorhersage ändert.
Ebenso können wir den Trend von add zu mul ändern .
Dies sollte zu einem etwas größeren multiplikativen Trend führen.
Nach dem Ausprobieren der möglichen Kombinationen wurde festgestellt, dass die Verwendung von mul sowohl für den Trend als auch für die Saison das BESTE Ergebnis liefert .
Sobald wir über dieses Prognosemodell verfügen, können wir damit 30 Tage im Voraus vorhersagen.
LuckyTemplates-Implementierung
Lassen Sie uns dasselbe LuckyTemplates-Prognosemodell in unserem LuckyTemplates-Notebook erstellen.
Gehen Sie in unserer LuckyTemplates- Prognose zu Visualisierungen > Analysen > Optionen. Beachten Sie, wie wir die Prognoselänge auf 30 Tage festgelegt haben.
Sehen wir uns an, wie wir diesen Code ganz einfach in Power Query implementieren können.
Klicken Sie auf Daten transformieren.
Fügen Sie im Power Query-Editor die Daten ein und fügen Sie die Spalte „Benutzerdefiniert hinzufügen “ für die Kategorie hinzu . Verwenden Sie Ist-Werte , damit wir die Ist-Werte später von den Prognosen trennen können.
Wenn wir zur Prognoseabfrage gehen , sehen wir einen kleineren Datensatz, der 30 Tage in der Zukunft entspricht.
Überprüfung des Python-Skripts
Unser Python-Skript enthält ähnliche Informationen. Zuerst laden wir einen Datensatz ein, speichern ihn als df , ändern „Date“ in „ datetime “ und legen die Häufigkeit auf „ d“ (Tag) fest.
Wir bringen auch unser ExponentialSmoothing- Modell von holtwinters ein . Wir nehmen die ersten 290 Tage als Trainingssatz und fügen diese Daten dann dem Modell hinzu.
In unserem ExponentialSmoothing- Modell fügen wir die Trainingsdaten hinzu und setzen sowohl die Trends als auch die Saison auf mul (multiplikativ) und die Saisonperioden auf 7 Tage. Dann passen wir unser Modell an.
Als nächstes erhalten wir einen neuen Datenrahmen oder eine neue Tabelle mit unserer Prognose. Wir setzen den Index zurück und stellen sicher, dass die Namen „ Datum “ und „Seitenaufrufe“ mit denen übereinstimmen, die wir in unseren Originaldaten haben. Abschließend klicken wir auf OK.
In der Ausgabe werden uns alle diese Variablen innerhalb der Daten angezeigt.
Gehen Sie zu „Angewandte Schritte“ und klicken Sie auf „Spalte hinzugefügt“ . Dadurch wird eine Tabelle mit unseren vorhergesagten Werten und der benutzerdefinierten Spalte mit der Kategorie „Prognose“ geöffnet.
In der nächsten Abfrage hängen wir einfach die beiden Datensätze an, in denen wir die Istwerte und die Prognosen haben .
Klicken Sie auf „Schließen und anwenden“.
Das Modell hat sich leicht verändert, als wir die multiplikative Methode angewendet haben.
Im Vergleich zu LuckyTemplates können wir problemlos eine Prognose erstellen und das Modell noch etwas optimieren, indem wir die additive Natur des Trends und die Saisonalität in Python ändern . Wir können diese Vorhersagen ebenfalls zu unserem tatsächlichen Datensatz hinzufügen.
Erstellen von Zukunftsprognosen in LuckyTemplates mit DAX.
So führen Sie Trendanalysen in LuckyTemplates mit DAX durch.
Saisonalität in Ihren Budgetanalysen verwalten – Advanced LuckyTemplates
Abschluss
In diesem Blog haben wir den Prozess der Erstellung eines Prognosemodells in LuckyTemplates mit Python durchlaufen . Durch die Integration von Python in LuckyTemplates können wir auf eine breite Palette von Datenanalyse- und Modellierungstools zugreifen, die es uns ermöglichen, erweiterte Prognosen zu erstellen.
Mit den Fähigkeiten, die Sie in diesem Tutorial erlernt haben, können Sie jetzt Ihre eigenen Prognosemodelle in LuckyTemplates erstellen und diese für eine sichere Planung für die Zukunft nutzen. Denken Sie daran, dass Prognosen ein iterativer Prozess sind. Zögern Sie also nicht, mit verschiedenen Algorithmen und Techniken zu experimentieren, um den für Ihre Daten am besten geeigneten zu finden, und überprüfen und aktualisieren Sie Ihr Modell kontinuierlich, sobald neue Daten eingehen.
Alles Gute,
Gaelim Holland
Sie erfahren, wie Sie Objekte aus einer .rds-Datei in R speichern und laden. In diesem Blog wird auch behandelt, wie Sie Objekte aus R in LuckyTemplates importieren.
Was ist Self in Python: Beispiele aus der Praxis
In diesem Tutorial zur DAX-Codierungssprache erfahren Sie, wie Sie die GENERATE-Funktion verwenden und einen Kennzahltitel dynamisch ändern.
In diesem Tutorial erfahren Sie, wie Sie mithilfe der Multi-Threaded-Dynamic-Visuals-Technik Erkenntnisse aus dynamischen Datenvisualisierungen in Ihren Berichten gewinnen.
In diesem Artikel werde ich den Filterkontext durchgehen. Der Filterkontext ist eines der Hauptthemen, über die sich jeder LuckyTemplates-Benutzer zunächst informieren sollte.
Ich möchte zeigen, wie der LuckyTemplates Apps-Onlinedienst bei der Verwaltung verschiedener Berichte und Erkenntnisse aus verschiedenen Quellen helfen kann.
Erfahren Sie, wie Sie Ihre Gewinnmargenänderungen mithilfe von Techniken wie Kennzahlenverzweigung und der Kombination von DAX-Formeln in LuckyTemplates ermitteln.
In diesem Tutorial werden die Ideen der Materialisierung von Datencaches und deren Auswirkungen auf die Leistung von DAXs bei der Bereitstellung von Ergebnissen erläutert.
Wenn Sie bisher noch Excel verwenden, ist dies der beste Zeitpunkt, LuckyTemplates für Ihre Geschäftsberichtsanforderungen zu verwenden.
Was ist LuckyTemplates Gateway? Alles was du wissen musst