Modelo de previsión de LuckyTemplates con Python

La previsión es un aspecto importante del análisis de datos, ya que permite a las empresas tomar decisiones informadas sobre el futuro basadas en datos históricos. Una forma eficiente de realizar esta tarea es utilizar el modelo de previsión de LuckyTemplates mediante Python. LuckyTemplates es una popular herramienta de inteligencia empresarial que permite a los usuarios crear visualizaciones de datos, informes y paneles interactivos. 

En este tutorial, aprendemos cómo crear un modelo de pronóstico en LuckyTemplates usando Python. Usaremos Python en Power Query para crear valores pronosticados y llevarlos a las visualizaciones de LuckyTemplates. Puedes ver el video completo de este tutorial en la parte inferior de este blog .

Tabla de contenido

• Ejemplos de modelos de previsión de LuckyTemplates
• Modelo de previsión de LuckyTemplates: controles y limitaciones 
• Análisis de tendencias para modelos de previsión de Python y LuckyTemplates
• Uso del código de Python para pronósticos
  • Entrenando al modelo
  • Tendencias aditivas y multiplicativas
• Implementación de LuckyTemplates 
• Revisión de la secuencia de comandos de Python 
• Conclusión

Ejemplos de modelos de previsión de LuckyTemplates

A continuación se muestran algunos modelos de pronóstico de LuckyTemplates para mostrarle lo que queremos lograr en este tutorial. Estas son vistas de página reales que revelan la estacionalidad semanal y algunos picos estacionales en los datos. 

Hacia el final, podemos ver la tendencia creciente en nuestros datos que queremos recoger en nuestro modelo.

Modelo de previsión de LuckyTemplates: controles y limitaciones 

A continuación se muestra el modelo para el pronóstico de 30 días creado con LuckyTemplates. Tiene la misma estacionalidad que las vistas de página reales y, en LuckyTemplates, también tenemos las opciones para controlar algunos de los datos.

Podemos hacerlo abriendo Analytics en el panel Visualizaciones . Luego, pase el cursor hacia abajo hasta Pronóstico > Opciones . 

Ponga 30 días en la duración del pronóstico y establezca el intervalo de confianza en 95%. El sistema puede predecir la estacionalidad con su configuración predeterminada, pero también podemos agregar 7 para representar la estacionalidad semanal. 

Haga clic en Aplicar y deberíamos obtener un modelo similar al de arriba.

Análisis de tendencias para modelos de previsión de Python y LuckyTemplates

LuckyTemplates hace un gran trabajo al modelar la estacionalidad. Sin embargo, su línea de tendencia no tiene el mismo rendimiento.

Para iniciar el análisis de tendencias , active la línea Tendencia en el panel Visualizaciones .

Una vez encendido, podemos ver una tendencia alcista. Deberíamos poder agregar esa tendencia a nuestros datos, lo que luego influirá en el pronóstico. 

Podemos hacer eso con nuestro modelo de Python . Como vemos en el modelo a continuación, la tendencia recogió la estacionalidad en lugar de permanecer plana.

Uso del código de Python para pronósticos

Usar Python para lograr nuestro objetivo no es una tarea difícil. Para comenzar, abra su Jupyter Notebook . 

Ingrese los datos que necesitamos: pandas, matplotlib.pyplot, seaborn y ExponentialSmoothing . 

Hay otros modelos que probablemente serán más precisos, pero requerirán más optimización. 

También incorporaremos season_decompose para ver la estacionalidad y la tendencia. Luego, use el pronóstico web web_forecast.xlsx para leer nuestros datos. 

Luego, cambie la fecha usando el código a continuación. 

Establezca el índice de nuestro conjunto de datos en Fecha y llámelo ts. Luego, establezca la frecuencia del conjunto de datos. Sabemos que tenemos datos diarios, así que establezcamos la frecuencia como d como en el día y guardémosla como ts . 

Finalmente, trace usando ts.plot ( ).

Después de trazar, deberíamos ver exactamente lo que vimos en nuestro cuaderno de LuckyTemplates.  

Para tener una mejor idea de los componentes de nuestra tendencia real, podemos usar el siguiente código.

El primer modelo es nuestro Actuals . Al lado está la línea de tendencia que recogemos con season_decompose(ts).plot(); .

Esta es la tendencia que necesitamos agregar al modelo. 

También tenemos la estacionalidad que podemos agregar tanto al modelo de LuckyTemplates como al de suavizado exponencial. 

Nuestro último modelo muestra los Residuos o aquellos que son inesperados en los datos que están representados por puntos. Tenga en cuenta que a medida que avanzamos hacia el final de nuestros datos, podemos ver que están ocurriendo muchos más eventos. 

Entrenando al modelo

Con nuestro modelo, necesitamos entrenar nuestros datos, lo que generalmente va seguido de pruebas. Sin embargo, en este caso, no probaremos nuestro modelo porque solo usaremos lo que nos da el modelo. 

Hay 298 días en nuestro conjunto de datos, pero en este ejemplo, solo necesitamos que el modelo recuerde 290 de esos días. Esto se debe a que no queremos darle al modelo todos los datos que no puede aprender y que eventualmente solo copiará. 

Básicamente, tenemos este conjunto de entrenamiento de 290 días de 298. 

Luego, use ExponentialSmoothing para nuestro modelo. Luego, pase el conjunto de datos de entrenamiento que es de 290 días y use add (aditivo) para nuestra tendencia, mul (multiplicativo) para nuestra temporada y 7 para los períodos estacionales. Luego, ajuste esos datos en el modelo.

Tendencias aditivas y multiplicativas

Veamos una descripción general rápida de lo que son las tendencias aditivas y multiplicativas.

En un modelo aditivo, la tendencia se suma lentamente, mientras que en el modelo multiplicativo , aumenta exponencialmente y también suceden muchas cosas. Podemos usar cualquiera de los dos para obtener un tipo diferente de predicción. 

Podemos jugar con los métodos aditivo y multiplicativo para modificar nuestra predicción. Nuestros datos actuales están creciendo claramente, por lo que es imperativo usar aditivos, pero también podemos intentar usar multiplicativos para ver qué obtenemos. 

Por ejemplo, cambie la estacionalidad de mul a add . 

Ejecute los datos y observe cómo cambia la predicción.

Del mismo modo, podemos cambiar la tendencia de add a mul . 

Esto debería producir una tendencia multiplicativa un poco más grande. 

Después de probar las combinaciones posibles, se encontró que usar mul tanto para la tendencia como para la estacional arrojó el MEJOR resultado. 

Una vez que tengamos este modelo de pronóstico, podemos usarlo para pronosticar con 30 días de anticipación. 

Implementación de LuckyTemplates 

Vamos a crear el mismo modelo de pronóstico de LuckyTemplates en nuestro cuaderno de LuckyTemplates.

En nuestro Pronóstico de LuckyTemplates , vaya a Visualizaciones > Análisis > Opciones. Observe cómo establecemos la duración del pronóstico en 30 días. 

Veamos cómo podemos implementar ese código muy fácilmente en Power Query. 

Haz clic en Transformar datos. 

En el Editor de Power Query, traiga los datos y agregue una columna personalizada para la categoría . Use datos reales para que luego podamos dividir los datos reales de los pronósticos. 

Si vamos a la consulta de pronósticos , veremos un conjunto de datos más pequeño equivalente a 30 días en el futuro.

Revisión de la secuencia de comandos de Python 

Nuestro script de Python contiene información similar. Primero, traemos un conjunto de datos, lo guardamos como df , cambiamos Date a datetime y establecemos la frecuencia en d (día). 

También traemos nuestro modelo ExponentialSmoothing de holtwinters . Tomamos los primeros 290 días como nuestro conjunto de entrenamiento y luego agregamos esos datos al modelo. 

En nuestro modelo ExponentialSmoothing , agregamos los datos de entrenamiento y establecemos las tendencias y la estacionalidad en mul (multiplicativo) y los períodos estacionales en 7 días. Luego ajustamos nuestro modelo.

A continuación, obtenemos un nuevo marco de datos o tabla con nuestro pronóstico. Restablecemos el índice y nos aseguramos de que se llamen Fecha y Páginas vistas para que coincidan con lo que tenemos en nuestros datos originales. Finalmente, hacemos clic en Aceptar. 

En la salida, se nos dan todas estas variables dentro de los datos. 

Vaya a Pasos aplicados y haga clic en Columna agregada . Esto abre una tabla con nuestros valores pronosticados y la columna personalizada que tiene Pronóstico como categoría. 

En la siguiente consulta, simplemente agregamos los dos conjuntos de datos donde tenemos los datos reales y los pronósticos . 

Haga clic en Cerrar y aplicar. 

El modelo cambió ligeramente cuando aplicamos el método multiplicativo. 

En comparación con LuckyTemplates, podemos hacer fácilmente un pronóstico y optimizar un poco más el modelo cambiando la naturaleza aditiva de la tendencia y la estacionalidad en Python . También podemos agregar esas predicciones a nuestro conjunto de datos real. 

Creación de previsiones anticipadas en LuckyTemplates mediante DAX
Cómo realizar un análisis de tendencias en LuckyTemplates mediante DAX
Gestión de la estacionalidad en el análisis de su presupuesto: LuckyTemplates avanzado

Conclusión

En este blog, analizamos el proceso de creación de un modelo de previsión en LuckyTemplates mediante Python . Al integrar Python en LuckyTemplates, podemos acceder a una amplia gama de herramientas de modelado y análisis de datos, lo que nos permite crear pronósticos más avanzados. 

Con las habilidades que ha aprendido en este tutorial, ahora puede crear sus propios modelos de pronóstico en LuckyTemplates y usarlos para planificar el futuro con confianza. Recuerde que la previsión es un proceso iterativo, así que no dude en experimentar con diferentes algoritmos y técnicas para encontrar el que mejor se adapte a sus datos, y verifique y actualice continuamente su modelo a medida que ingresen nuevos datos.

Mis mejores deseos,

Holanda