Modello di previsione di LuckyTemplates con Python

La previsione è un aspetto importante dell'analisi dei dati, in quanto consente alle aziende di prendere decisioni informate sul futuro sulla base di dati storici. Un modo efficiente per eseguire questa attività consiste nell'utilizzare il modello di previsione di LuckyTemplates tramite Python. LuckyTemplates è un popolare strumento di business intelligence che consente agli utenti di creare visualizzazioni di dati, report e dashboard interattivi. 

In questo tutorial impareremo come creare un modello di previsione in LuckyTemplates usando Python. Utilizzeremo Python in Power Query per creare valori previsti e portarli nelle visualizzazioni di LuckyTemplates. Puoi guardare il video completo di questo tutorial in fondo a questo blog .

Sommario

• Esempi di modelli di previsione di LuckyTemplates
• Modello di previsione di LuckyTemplates: controlli e limitazioni 
• Analisi delle tendenze per i modelli di previsione Python e LuckyTemplates
• Utilizzo del codice Python per le previsioni
  • Addestrare il modello
  • Tendenze Additive & Moltiplicative
• Implementazione di PowerBI 
• Revisione dello script Python 
• Conclusione

Esempi di modelli di previsione di LuckyTemplates

Di seguito sono riportati alcuni modelli di previsione di LuckyTemplates per mostrare ciò che si desidera ottenere in questo tutorial. Si tratta di visualizzazioni di pagina effettive che rivelano la stagionalità settimanale e alcuni picchi stagionali nei dati. 

Verso la fine, possiamo vedere la tendenza crescente nei nostri dati che vogliamo riprendere nel nostro modello.

Modello di previsione di LuckyTemplates: controlli e limitazioni 

Di seguito è riportato il modello per la previsione a 30 giorni creata con LuckyTemplates. Ha la stessa stagionalità delle visualizzazioni di pagina effettive e in LuckyTemplates abbiamo anche le opzioni per controllare alcuni dati.

Possiamo farlo aprendo Analytics nel riquadro Visualizzazioni . Quindi, passa il mouse su Previsioni > Opzioni . 

Inserisci 30 giorni nella lunghezza della previsione e imposta l' intervallo di confidenza al 95%. Il sistema può prevedere la stagionalità con la sua impostazione predefinita, ma possiamo anche aggiungere 7 per rappresentare la stagionalità settimanale. 

Fare clic su Applica e dovremmo ottenere un modello simile a quello sopra.

Analisi delle tendenze per i modelli di previsione Python e LuckyTemplates

LuckyTemplates fa un ottimo lavoro di modellazione della stagionalità. Tuttavia, la sua linea di tendenza non funziona allo stesso modo.

Per avviare l' analisi delle tendenze , attivare la linea di tendenza nel riquadro Visualizzazioni .

Una volta acceso, possiamo vedere una tendenza al rialzo. Dovremmo essere in grado di aggiungere quella tendenza nei nostri dati che influenzeranno quindi la previsione. 

Possiamo farlo con il nostro modello Python . Come vediamo nel modello qui sotto, la tendenza ha preso la stagionalità invece di rimanere piatta.

Utilizzo del codice Python per le previsioni

Usare Python per raggiungere il nostro obiettivo non è un compito difficile. Per iniziare, apri Jupyter Notebook . 

Inserisci i dati di cui abbiamo bisogno: pandas, matplotlib.pyplot, seaborn e ExponentialSmoothing . 

Esistono altri modelli che probabilmente saranno più accurati, ma richiederanno una maggiore ottimizzazione. 

Porteremo anche in season_decompose per vedere la stagionalità e la tendenza. Quindi, usa la previsione web web_forecast.xlsx per leggere i nostri dati. 

Quindi, cambia la data usando il codice qui sotto. 

Imposta l'indice del nostro set di dati su Date e chiamalo ts. Quindi, imposta la frequenza del set di dati. Sappiamo di avere dati giornalieri, quindi impostiamo la frequenza come d come in day e salviamola come ts . 

Infine, traccia usando ts.plot ( ).

Dopo aver tracciato, dovremmo vedere esattamente ciò che abbiamo visto nel nostro notebook LuckyTemplates.  

Per avere un'idea migliore dei componenti nel nostro trend attuale, possiamo usare il seguente codice.

Il primo modello è il nostro Actuals . Accanto ad essa c'è la linea di tendenza che raccogliamo con season_decompose(ts).plot(); .

Questa è la tendenza che dobbiamo aggiungere al modello. 

Abbiamo anche la stagionalità che possiamo aggiungere sia al modello LuckyTemplates che al modello di livellamento esponenziale. 

Il nostro ultimo modello mostra i Residui o quelli che sono inaspettati nei dati che sono rappresentati da punti. Nota che mentre ci spostiamo verso la fine dei nostri dati, possiamo vedere che ci sono molti più eventi in corso. 

Addestrare il modello

Con il nostro modello, dobbiamo addestrare i nostri dati che in genere sono seguiti dai test. Tuttavia, in questo caso, non testeremo il nostro modello perché useremo solo ciò che il modello ci fornisce. 

Ci sono 298 giorni nel nostro set di dati, ma in questo esempio, abbiamo solo bisogno che il modello ricordi 290 di quei giorni. Questo perché non vogliamo dare al modello tutti i dati che non può apprendere e che alla fine copierà. 

Fondamentalmente, abbiamo questo training set di 290 giorni su 298. 

Successivamente, usa ExponentialSmoothing per il nostro modello. Quindi, passa il set di dati di addestramento che è di 290 giorni e usa add (additivo) per la nostra tendenza, mul (moltiplicativo) per la nostra stagione e 7 per i periodi stagionali. Quindi, adatta i dati al modello.

Tendenze Additive & Moltiplicative

Diamo una rapida panoramica di cosa sono i trend additivi e moltiplicativi.

In un modello additivo, la tendenza si aggiunge lentamente, mentre nel modello moltiplicativo aumenta in modo esponenziale e c'è anche molto da fare. Possiamo usare uno dei due per ottenere un diverso tipo di previsione. 

Possiamo giocare con i metodi additivi e moltiplicativi per modificare la nostra previsione. I nostri dati attuali stanno chiaramente crescendo, quindi è indispensabile utilizzare l'additivo, ma possiamo anche provare a utilizzare il moltiplicativo per vedere cosa otterremo. 

Ad esempio, modifica la stagionalità da mul ad add . 

Eseguire i dati e osservare come cambia la previsione.

Allo stesso modo, possiamo cambiare la tendenza da add a mul . 

Questo dovrebbe produrre un trend moltiplicativo un po' più grande. 

Dopo aver provato le possibili combinazioni, si è scoperto che l'utilizzo di mul sia per la tendenza che per la stagione produceva il risultato  MIGLIORE .

Una volta ottenuto questo modello di previsione, possiamo usarlo per fare previsioni con 30 giorni di anticipo. 

Implementazione di PowerBI 

Creiamo lo stesso modello di previsione di LuckyTemplates nel notebook di LuckyTemplates.

Nella nostra previsione di LuckyTemplates vai a Visualizzazioni > Analisi > Opzioni. Nota come impostiamo la durata della previsione su 30 giorni. 

Vediamo come possiamo implementare quel codice molto facilmente in Power Query. 

Fare clic su Trasforma dati. 

Nell'editor di Power Query inserire i dati e aggiungere la colonna personalizzata per la categoria . Utilizzare gli effettivi in ​​modo da poter successivamente dividere gli effettivi dalle previsioni. 

Se passiamo alla query sulle previsioni , vedremo un set di dati più piccolo equivalente a 30 giorni nel futuro.

Revisione dello script Python 

Il nostro script Python contiene informazioni simili. Innanzitutto, introduciamo un set di dati, lo salviamo come df , cambiamo Date in datetime e impostiamo la frequenza su d (giorno). 

Portiamo anche il nostro modello ExponentialSmoothing da holtwinters . Prendiamo i primi 290 giorni come set di addestramento e quindi aggiungiamo i dati al modello. 

Nel nostro modello ExponentialSmoothing , aggiungiamo i dati di addestramento e impostiamo sia le tendenze che la stagione su mul (moltiplicativo) e i periodi stagionali su 7 giorni. Quindi adattiamo il nostro modello.

Successivamente, otteniamo un nuovo data frame o tabella con la nostra previsione. Ripristiniamo l'indice e ci assicuriamo che siano denominati Data e Visualizzazioni di pagina in modo che corrispondano a ciò che abbiamo nei nostri dati originali. Infine, clicchiamo su OK. 

Nell'output, ci vengono fornite tutte queste variabili all'interno dei dati. 

Vai a Passaggi applicati e fai clic su Colonna aggiunta . Questo apre una tabella con i nostri valori previsti e la colonna personalizzata che ha Previsione come categoria. 

Nella query successiva, aggiungiamo semplicemente i due set di dati in cui abbiamo Actuals e Forecasts . 

Fare clic su Chiudi e applica. 

Il modello è leggermente cambiato quando abbiamo applicato il metodo moltiplicativo. 

Rispetto a LuckyTemplates, possiamo facilmente fare una previsione e ottimizzare un po' di più il modello modificando la natura additiva del trend e la stagionalità in Python . Allo stesso modo possiamo aggiungere quelle previsioni al nostro set di dati effettivo. 

Creazione di previsioni future in LuckyTemplates utilizzando DAX
Come eseguire l'analisi delle tendenze in LuckyTemplates utilizzando DAX
Gestione della stagionalità nell'analisi del budget - Advanced LuckyTemplates

Conclusione

In questo blog, abbiamo esaminato il processo di creazione di un modello di previsione in LuckyTemplates utilizzando Python . Integrando Python in LuckyTemplates, possiamo accedere a un'ampia gamma di strumenti di analisi e modellazione dei dati, che ci consentono di creare previsioni più avanzate. 

Con le competenze apprese in questo tutorial, ora puoi creare i tuoi modelli di previsione in LuckyTemplates e usarli per pianificare il futuro con fiducia. Ricorda che la previsione è un processo iterativo, quindi non esitare a sperimentare diversi algoritmi e tecniche per trovare quello che funziona meglio per i tuoi dati e controlla e aggiorna continuamente il tuo modello man mano che arrivano nuovi dati.

Ti auguro il meglio,

Gaelim Olanda