Modèle de prévision LuckyTemplates à laide de Python

La prévision est un aspect important de l'analyse des données, car elle permet aux entreprises de prendre des décisions éclairées concernant l'avenir sur la base de données historiques. Un moyen efficace d'effectuer cette tâche consiste à utiliser le modèle de prévision LuckyTemplates à l'aide de Python. LuckyTemplates est un outil de Business Intelligence populaire qui permet aux utilisateurs de créer des visualisations de données interactives, des rapports et des tableaux de bord. 

Dans ce didacticiel, nous apprenons à créer un modèle de prévision dans LuckyTemplates à l'aide de Python. Nous utiliserons Python dans Power Query pour créer des valeurs prévues et les intégrer aux visualisations de LuckyTemplates. Vous pouvez regarder la vidéo complète de ce tutoriel au bas de ce blog .

Table des matières

• Exemples de modèles de prévision LuckyTemplates
• Modèle de prévision LuckyTemplates : contrôles et limitations 
• Analyse des tendances pour les modèles de prévision Python et LuckyTemplates
• Utilisation du code Python pour les prévisions
  • Former le modèle
  • Tendances additives et multiplicatives
• Implémentation de LuckyTemplates 
• Examen du script Python 
• Conclusion

Exemples de modèles de prévision LuckyTemplates

Vous trouverez ci-dessous quelques modèles de prévision LuckyTemplates pour vous montrer ce que nous voulons réaliser dans ce didacticiel. Il s'agit de pages vues réelles révélant la saisonnalité hebdomadaire et certains pics saisonniers dans les données. 

Vers la fin, nous pouvons voir la tendance à la hausse de nos données que nous voulons reprendre dans notre modèle.

Modèle de prévision LuckyTemplates : contrôles et limitations 

Vous trouverez ci-dessous le modèle de prévision sur 30 jours créé à l'aide de LuckyTemplates. Il a la même saisonnalité que les pages vues réelles, et dans LuckyTemplates, nous avons également la possibilité de contrôler certaines données.

Nous pouvons le faire en ouvrant Analytics dans le volet Visualisations . Ensuite, passez la souris sur Prévision > Options . 

Mettez 30 jours dans la durée de la prévision et définissez l' intervalle de confiance à 95 %. Le système peut prédire la saisonnalité avec son paramètre par défaut, mais nous pouvons également ajouter 7 pour représenter la saisonnalité hebdomadaire. 

Cliquez sur Appliquer et nous devrions obtenir un modèle similaire à celui ci-dessus.

Analyse des tendances pour les modèles de prévision Python et LuckyTemplates

LuckyTemplates fait un excellent travail de modélisation de la saisonnalité. Cependant, sa ligne de tendance ne fonctionne pas de la même manière.

Pour démarrer l' analyse des tendances , activez la ligne Tendance dans le volet Visualisations .

Une fois sur, nous pouvons voir une tendance à la hausse. Nous devrions être en mesure d'ajouter cette tendance à nos données, ce qui influencera ensuite les prévisions. 

Nous pouvons le faire avec notre modèle Python . Comme nous le voyons dans le modèle ci-dessous, la tendance a repris la saisonnalité au lieu de rester stable.

Utilisation du code Python pour les prévisions

Utiliser Python pour atteindre notre objectif n'est pas une tâche difficile. Pour commencer, ouvrez votre Jupyter Notebook . 

Apportez les données dont nous avons besoin : pandas, matplotlib.pyplot, seaborn et ExponentialSmoothing . 

Il existe d'autres modèles qui seront probablement plus précis, mais ils nécessiteront plus d'optimisation. 

Nous apporterons également season_decompose pour voir la saisonnalité et la tendance. Ensuite, utilisez les prévisions web web_forecast.xlsx pour lire nos données. 

Ensuite, changez la date en utilisant le code ci-dessous. 

Définissez l'index de notre jeu de données sur Date et appelez-le ts. Ensuite, définissez la fréquence de l'ensemble de données. Nous savons que nous avons des données quotidiennes, alors définissons la fréquence comme d comme jour et enregistrons-la comme ts . 

Enfin, tracez en utilisant ts.plot ( ).

Après le traçage, nous devrions voir exactement ce que nous avons vu dans notre bloc-notes LuckyTemplates.  

Pour avoir une meilleure idée des composants de notre tendance actuelle, nous pouvons utiliser le code suivant.

Le premier modèle est notre Actuals . A côté se trouve la ligne de tendance que nous reprenons avec season_decompose(ts).plot(); .

C'est la tendance que nous devons ajouter au modèle. 

Nous avons également la saisonnalité que nous pouvons ajouter à la fois au modèle LuckyTemplates et au modèle de lissage exponentiel. 

Notre dernier modèle montre les résidus ou ceux qui sont inattendus dans les données qui sont représentés par des points. Notez qu'à mesure que nous avançons vers la fin de nos données, nous pouvons voir qu'il y a beaucoup plus d'événements qui se produisent. 

Former le modèle

Avec notre modèle, nous devons entraîner nos données, ce qui est généralement suivi de tests. Cependant, dans ce cas, nous ne testerons pas notre modèle car nous utiliserons simplement ce que le modèle nous donne. 

Il y a 298 jours dans notre ensemble de données, mais dans cet exemple, nous n'avons besoin que du modèle pour mémoriser 290 de ces jours. En effet, nous ne voulons pas donner au modèle toutes les données qu'il ne peut pas apprendre et qu'il finira par copier. 

Fondamentalement, nous avons cet ensemble de formation de 290 jours sur 298. 

Ensuite, utilisez ExponentialSmoothing pour notre modèle. Ensuite, passez l'ensemble de données d'entraînement qui est de 290 jours et utilisez add (additif) pour notre tendance, mul (multiplicatif) pour notre saison et 7 pour les périodes saisonnières. Ensuite, intégrez ces données dans le modèle.

Tendances additives et multiplicatives

Voyons rapidement ce que sont les tendances additives et multiplicatives.

Dans un modèle additif, la tendance s'ajoute lentement, alors que dans le modèle multiplicatif , elle augmente de façon exponentielle et il se passe également beaucoup de choses. Nous pouvons utiliser l'un ou l'autre des deux pour obtenir un type de prédiction différent. 

Nous pouvons jouer avec les méthodes additives et multiplicatives pour modifier notre prédiction. Nos données actuelles augmentent clairement, il est donc impératif d'utiliser des additifs, mais nous pouvons également essayer d'utiliser des multiplicatifs pour voir ce que nous obtiendrons. 

Par exemple, modifiez la saisonnalité de mul pour ajouter . 

Exécutez les données et observez comment la prédiction change.

De même, nous pouvons changer la tendance de add à mul . 

Cela devrait donner une tendance multiplicative un peu plus grande. 

Après avoir essayé les combinaisons possibles, l'utilisation de mul pour la tendance et la saison s'est avérée donner le MEILLEUR résultat. 

Une fois que nous avons ce modèle de prévision, nous pouvons l'utiliser pour prévoir 30 jours à l'avance. 

Implémentation de LuckyTemplates 

Créons le même modèle de prévision LuckyTemplates dans notre bloc-notes LuckyTemplates.

Dans nos prévisions LuckyTemplates , accédez à Visualisations > Analytics > Options. Remarquez comment nous avons défini la longueur de la prévision sur 30 jours. 

Voyons comment nous pouvons implémenter ce code très facilement dans Power Query. 

Cliquez sur Transformer les données. 

Dans l'éditeur Power Query, importez les données et ajoutez une colonne personnalisée pour la catégorie . Utilisez les chiffres réels afin que nous puissions ultérieurement séparer les chiffres réels des prévisions. 

Si nous allons à la requête de prévisions , nous verrons un ensemble de données plus petit équivalent à 30 jours dans le futur.

Examen du script Python 

Notre script Python contient des informations similaires. Tout d'abord, nous apportons un ensemble de données, l'enregistrons sous df , changeons Date en datetime et définissons la fréquence sur d (jour). 

Nous apportons également notre modèle ExponentialSmoothing de holtwinters . Nous prenons les 290 premiers jours comme ensemble de formation, puis ajoutons ces données au modèle. 

Dans notre modèle ExponentialSmoothing , nous ajoutons les données d'entraînement et définissons les tendances et les saisons sur mul (multiplicatif) et les périodes saisonnières sur 7 jours. Ensuite, nous adaptons notre modèle.

Ensuite, nous obtenons une nouvelle trame de données ou un nouveau tableau avec nos prévisions. Nous réinitialisons l'index et nous nous assurons qu'ils sont nommés Date et Pages vues pour correspondre à ce que nous avons dans nos données d'origine. Enfin, nous cliquons sur OK. 

Dans la sortie, on nous donne toutes ces variables dans les données. 

Accédez à Étapes appliquées et cliquez sur Colonne ajoutée . Cela ouvre une table avec nos valeurs prédites et la colonne personnalisée qui a Forecast comme catégorie. 

Dans la requête suivante, nous ajoutons simplement les deux ensembles de données où nous avons les Actuals et les Forecasts . 

Cliquez sur Fermer et appliquer. 

Le modèle a légèrement changé lorsque nous avons appliqué la méthode multiplicative. 

Par rapport à LuckyTemplates, nous pouvons facilement faire une prévision et optimiser un peu plus le modèle en modifiant la nature additive de la tendance et la saisonnalité en Python . Nous pouvons également ajouter ces prédictions à notre ensemble de données réel. 

Création de prévisions prospectives dans LuckyTemplates à l'aide de DAX
Comment effectuer une analyse des tendances dans LuckyTemplates à l'aide de DAX
Gestion de la saisonnalité dans votre analyse budgétaire - LuckyTemplates avancé

Conclusion

Dans ce blog, nous avons parcouru le processus de création d'un modèle de prévision dans LuckyTemplates à l'aide de Python . En intégrant Python dans LuckyTemplates, nous pouvons accéder à une large gamme d'outils d'analyse et de modélisation de données, ce qui nous permet de créer des prévisions plus avancées. 

Grâce aux compétences que vous avez acquises dans ce didacticiel, vous pouvez désormais créer vos propres modèles de prévision dans LuckyTemplates et les utiliser pour planifier l'avenir en toute confiance. N'oubliez pas que la prévision est un processus itératif, alors n'hésitez pas à expérimenter différents algorithmes et techniques pour trouver celui qui fonctionne le mieux pour vos données et vérifiez et mettez à jour en permanence votre modèle à mesure que de nouvelles données arrivent.

Tous mes vœux,

Gaelim Hollande