Python을 사용한 LuckyTemplates 예측 모델

예측은 기업이 과거 데이터를 기반으로 미래에 대해 정보에 입각한 결정을 내릴 수 있도록 해주기 때문에 데이터 분석의 중요한 측면입니다. 이 작업을 수행하는 한 가지 효율적인 방법은 Python을 사용하는 LuckyTemplates 예측 모델을 활용하는 것입니다. LuckyTemplates는 사용자가 대화형 데이터 시각화, 보고서 및 대시보드를 만들 수 있는 인기 있는 비즈니스 인텔리전스 도구입니다. 

이 자습서에서는 Python을 사용하여 LuckyTemplates에서 예측 모델을 만드는 방법을 알아봅니다 . 파워 쿼리에서 Python을 사용하여 예측 값을 생성하고 이를 LuckyTemplates의 시각화로 가져올 것입니다. 이 블로그 하단에서 이 튜토리얼의 전체 비디오를 볼 수 있습니다 .

목차

• LuckyTemplates 예측 모델 샘플
• LuckyTemplates 예측 모델: 제어 및 제한 사항 
• Python 및 LuckyTemplates 예측 모델에 대한 추세 분석
• 예측을 위해 Python 코드 사용
  • 모델 교육
  • 가산 및 승법 추세
• 파워 BI 구현 
• Python 스크립트 검토 
• 결론

LuckyTemplates 예측 모델 샘플

다음은 이 자습서에서 달성하고자 하는 것을 보여주는 몇 가지 LuckyTemplates 예측 모델입니다. 이것은 주간 계절성과 데이터의 일부 계절성 피크를 나타내는 실제 페이지 조회수입니다. 

마지막으로 모델에서 선택하려는 데이터의 증가 추세를 볼 수 있습니다.

LuckyTemplates 예측 모델: 제어 및 제한 사항 

아래는 LuckyTemplates를 사용하여 만든 30일 예측 모델입니다. 실제 페이지 보기와 동일한 계절성을 가지며 LuckyTemplates에서 일부 데이터를 제어하는 ​​옵션도 있습니다.

Visualizations 창 에서 Analytics를 열면 됩니다 . 그런 다음 예측 > 옵션 으로 마우스를 가져갑니다 . 

예측 기간 에 30 일을 입력 하고 신뢰 구간을 95%로 설정합니다 . 시스템은 기본 설정으로 계절성을 예측할 수 있지만 주간 계절성을 나타내기 위해  7을 추가할 수도 있습니다.

적용을 클릭하면 위와 유사한 모델을 얻을 수 있습니다.

Python 및 LuckyTemplates 예측 모델에 대한 추세 분석

LuckyTemplates는 계절성을 모델링하는 훌륭한 작업을 수행합니다. 그러나 추세선은 동일하게 수행되지 않습니다.

추세 분석을 시작하려면 시각화 창 에서 추세선을 켭니다 .

일단 상승 추세를 볼 수 있습니다. 우리는 예측에 영향을 미칠 추세를 데이터에 추가할 수 있어야 합니다. 

Python 모델 로 그렇게 할 수 있습니다 . 아래 모델에서 볼 수 있듯이 추세는 일정하지 않고 계절성을 선택했습니다.

예측을 위해 Python 코드 사용

Python을 사용하여 목표를 달성하는 것은 어려운 작업이 아닙니다. 시작하려면 Jupyter Notebook을 엽니다 . 

pandas, matplotlib.pyplot, seaborn 및 ExponentialSmoothing 등 필요한 데이터를 가져옵니다 . 

아마도 더 정확할 다른 모델이 있지만 더 많은 최적화가 필요합니다. 

또한 계절성 및 추세를 확인하기 위해 seasons_decompose를 가져올 것입니다 . 그런 다음 웹 예측 web_forecast.xlsx를 사용하여 데이터를 읽습니다. 

그런 다음 아래 코드를 사용하여 날짜를 전환합니다. 

데이터 세트의 인덱스를 날짜 로 설정 하고 이름을 ts로 지정합니다. 그런 다음 데이터 세트의 빈도를 설정합니다. 일별 데이터가 있다는 것을 알고 있으므로 빈도를 d 로 설정하고 ts 로 저장하겠습니다 . 

마지막으로 ts.plot( )을 사용하여 플롯합니다.

플로팅한 후에는 LuckyTemplates 노트북에서 본 것을 정확히 볼 수 있어야 합니다.  

실제 추세의 구성 요소를 더 잘 이해하기 위해 다음 코드를 사용할 수 있습니다.

첫 번째 모델은 실제 입니다 . 그 옆에는 seasonal_decompose(ts).plot() 으로 선택한 추세선이 있습니다 . .

이것이 우리가 모델에 추가해야 하는 추세입니다. 

또한 LuckyTemplates와 Exponential Smoothing 모델 모두에 추가할 수 있는  계절성이 있습니다 .

우리의 마지막 모델은 잔차 또는 포인트로 표현되는 데이터에서 예상치 못한 것을 보여줍니다. 데이터의 끝으로 이동함에 따라 훨씬 더 많은 이벤트가 발생하고 있음을 알 수 있습니다. 

모델 교육

모델을 사용하면 일반적으로 테스트가 뒤따르는 데이터를 교육해야 합니다. 그러나 이 경우 모델이 제공하는 것을 사용하기 때문에 모델을 테스트하지 않습니다. 

데이터 세트에는 298 일이 있지만 이 예에서는 모델이 그 중 290 일만 기억하면 됩니다. 모델이 학습할 수 없고 결국 복사만 하게 될 모든 데이터를 모델에 제공하고 싶지 않기 때문입니다. 

기본적으로 298일 중 290일의 훈련 세트가 있습니다. 

다음으로 모델에 ExponentialSmoothing을 사용합니다. 그런 다음 290일인 훈련 데이터 세트를 전달하고 추세에는 add (가산)를 사용하고 계절에는 mul (승법)을 사용하고 계절 기간에는 7을 사용합니다. 그런 다음 해당 데이터를 모델에 맞춥니다.

가산 및 승법 추세

덧셈 및 곱셈 추세가 무엇인지 간략하게 살펴보겠습니다.

가산 모델 에서는 추세가 천천히 추가되는 반면 승법 모델 에서는 기하급수적으로 증가하고 상당히 많은 일이 진행됩니다. 둘 중 하나를 사용하여 다른 유형의 예측을 얻을 수 있습니다. 

예측을 수정하기 위해 덧셈 및 곱셈 방법을 가지고 놀 수 있습니다. 현재 데이터가 분명히 증가하고 있으므로 덧셈을 사용하는 것이 필수적이지만 곱셈을 사용하여 무엇을 얻을 수 있는지 확인할 수도 있습니다. 

예를 들어 계절성을 mul 에서 add 로 변경합니다 . 

데이터를 실행하고 예측이 어떻게 변경되는지 관찰합니다.

마찬가지로 트렌드를 add 에서 mul 로 변경할 수 있습니다 . 

이것은 조금 더 큰 곱셈 추세를 산출해야 합니다. 

가능한 조합을 시도한 후 추세와 계절 모두에 mul을 사용하면 BEST 결과 를 얻을 수 있습니다 . 

이 예측 모델이 있으면 이를 사용하여 30일 전에 예측할 수 있습니다. 

파워 BI 구현 

LuckyTemplates 노트북에서 동일한 LuckyTemplates 예측 모델을 만들어 보겠습니다.

LuckyTemplates 예측 에서 시각화 > 분석 > 옵션 으로 이동합니다 . 예측 기간을 30 일로 설정한 방법에 유의하십시오 . 

파워 쿼리에서 해당 코드를 매우 쉽게 구현할 수 있는 방법을 살펴보겠습니다. 

데이터 변환을 클릭합니다 . 

Power Query 편집기에서 범주에 대한 데이터 및 사용자 지정 추가 열을 가져옵니다 . 실제를 사용하여 나중에 예측에서 실제를 분리할 수 있습니다. 

Forecasts Query 로 이동하면 미래 30일에 해당하는 더 작은 데이터 세트를 볼 수 있습니다.

Python 스크립트 검토 

우리의 Python Script에는 유사한 정보가 포함되어 있습니다. 먼저 데이터 세트를 가져와 df 로 저장하고 Date를 datetime 으로 변경 하고 빈도를 d (일)로 설정합니다. 

우리는 또한 holtwinters 의 ExponentialSmoothing 모델을 가져옵니다 . 훈련 세트로 처음 290일을 선택한 다음 해당 데이터를 모델에 추가합니다. 

ExponentialSmoothing 모델 에서 교육 데이터를 추가하고 추세와 계절을 모두 mul (승법)로 설정하고 계절 기간을 7 일로 설정합니다. 그런 다음 모델에 적합합니다 .

다음으로 예측이 포함된 새로운 데이터 프레임 또는 테이블을 얻습니다. 색인을 재설정하고 원래 데이터에 있는 것과 일치하도록 이름이 날짜 및 페이지뷰로 지정되었는지 확인합니다. 마지막으로 확인을 클릭합니다 . 

출력에서 데이터 내의 이러한 모든 변수가 제공됩니다. 

적용된 단계 로 이동하여 추가된 열을 클릭합니다 . 이렇게 하면 예측 값과 범주로  예측이 있는 사용자 지정 열이 있는 테이블이 열립니다.

다음 쿼리에서는 Actuals 및 Forecasts 가 있는 두 개의 데이터 세트를 간단히 추가합니다 . 

닫기 및 적용을 클릭합니다 . 

곱셈 방법을 적용했을 때 모델이 약간 변경되었습니다. 

LuckyTemplates와 비교할 때 Python 에서 추세 및 계절성의 추가 특성을 변경하여 모델을 조금 더 쉽게 예측하고 최적화할 수 있습니다 . 마찬가지로 이러한 예측을 실제 데이터 세트에 추가할 수 있습니다. 

DAX를 사용하여 LuckyTemplates에서 전방 예측 만들기 DAX를 사용하여
LuckyTemplates에서 추세 분석을 수행하는 방법
예산 분석에서 계절성 관리 - 고급 LuckyTemplates

결론

이 블로그에서는 Python을 사용하여 LuckyTemplates에서 예측 모델을 만드는 과정을 살펴보았습니다 . Python을 LuckyTemplates에 통합함으로써 광범위한 데이터 분석 및 모델링 도구에 액세스할 수 있으므로 보다 발전된 예측을 생성할 수 있습니다. 

이 자습서에서 배운 기술을 사용하여 이제 LuckyTemplates에서 고유한 예측 모델을 만들고 이를 사용하여 자신 있게 미래를 계획할 수 있습니다. 예측은 반복적인 프로세스이므로 주저하지 말고 다양한 알고리즘과 기술을 실험하여 데이터에 가장 적합한 것을 찾고 새 데이터가 들어올 때 모델을 지속적으로 확인하고 업데이트하십시오.

모두 제일 좋다,

개림 홀랜드