LuckyTemplates-prognosemodel met behulp van Python

Prognoses zijn een belangrijk aspect van gegevensanalyse, omdat het bedrijven in staat stelt weloverwogen beslissingen te nemen over de toekomst op basis van historische gegevens. Een efficiënte manier om deze taak uit te voeren, is door gebruik te maken van het LuckyTemplates-prognosemodel met behulp van Python. LuckyTemplates is een populaire tool voor bedrijfsinformatie waarmee gebruikers interactieve gegevensvisualisaties, rapporten en dashboards kunnen maken. 

In deze zelfstudie leren we hoe u een prognosemodel kunt maken in LuckyTemplates met behulp van Python. We zullen Python gebruiken in Power Query om voorspelde waarden te creëren en deze in de visualisaties van LuckyTemplates te brengen. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken .

Inhoudsopgave

• Voorbeelden van LuckyTemplates-voorspellingsmodellen
• LuckyTemplates-prognosemodel: controles en beperkingen 
• Trendanalyse voor prognosemodellen van Python en LuckyTemplates
• Python-code gebruiken voor prognoses
  • Het trainen van het model
  • Additieve en multiplicatieve trends
• LuckyTemplates-implementatie 
• Het Python-script herzien 
• Conclusie

Voorbeelden van LuckyTemplates-voorspellingsmodellen

Hieronder vindt u enkele LuckyTemplates-voorspellingsmodellen om u te laten zien wat we in deze zelfstudie willen bereiken. Dit zijn werkelijke paginaweergaven die de wekelijkse seizoensgebondenheid en enkele seizoenspieken in de gegevens onthullen. 

Tegen het einde zien we de stijgende trend in onze data die we willen oppikken in ons model.

LuckyTemplates-prognosemodel: controles en beperkingen 

Hieronder ziet u het model voor de 30-daagse prognose die is gemaakt met LuckyTemplates. Het heeft dezelfde seizoensgebondenheid als de daadwerkelijke paginaweergaven, en in LuckyTemplates hebben we ook de opties om sommige gegevens te beheren.

We kunnen dat doen door Analytics te openen in het deelvenster Visualisaties . Ga vervolgens met de muis naar Prognose > Opties . 

Zet 30 dagen in de prognoselengte en stel het betrouwbaarheidsinterval in op 95%. Het systeem kan de seizoensgebondenheid voorspellen met de standaardinstelling, maar we kunnen ook 7 optellen om de wekelijkse seizoensgebondenheid weer te geven. 

Klik op Toepassen en we zouden een model moeten krijgen dat lijkt op het bovenstaande.

Trendanalyse voor prognosemodellen van Python en LuckyTemplates

LuckyTemplates kan uitstekend seizoensinvloeden modelleren. De trendlijn presteert echter niet hetzelfde.

Schakel de trendlijn in het deelvenster Visualisaties in om de trendanalyse te starten .

Eenmaal op, zien we een opwaartse trend. We zouden die trend in onze gegevens moeten kunnen toevoegen, wat vervolgens de voorspelling zal beïnvloeden. 

Dat kunnen we doen met ons Python- model. Zoals we in het onderstaande model zien, werd de trend seizoensgebonden in plaats van gelijk te blijven.

Python-code gebruiken voor prognoses

Python gebruiken om ons doel te bereiken is geen moeilijke taak. Open om te beginnen uw Jupyter Notebook . 

Breng de gegevens binnen die we nodig hebben: panda's, matplotlib.pyplot, seaborn en de ExponentialSmoothing . 

Er zijn andere modellen die waarschijnlijk nauwkeuriger zullen zijn, maar die meer optimalisatie vereisen. 

We zullen ook season_decompose gebruiken om de seizoensgebondenheid en trend te zien. Gebruik vervolgens de webprognose web_forecast.xlsx om onze gegevens te lezen. 

Wissel dan de datum met onderstaande code. 

Stel de index van onze dataset in op Datum en noem het ts. Stel vervolgens de frequentie van de dataset in. We weten dat we dagelijkse gegevens hebben, dus laten we de frequentie instellen op d als in dag en opslaan als ts . 

Plot tot slot met behulp van ts.plot ( ).

Na het plotten zouden we precies moeten zien wat we zagen in onze LuckyTemplates-notebook.  

Om een ​​beter idee te krijgen van de componenten in onze actuele trend, kunnen we de volgende code gebruiken.

Het eerste model is onze Actuals . Ernaast staat de trendlijn die we oppikken met season_decompose(ts).plot(); .

Dit is de trend die we aan het model moeten toevoegen. 

We hebben ook de seizoensgebondenheid die we kunnen toevoegen aan zowel het LuckyTemplates- als het Exponential Smoothing-model. 

Ons laatste model toont de residuen of die onverwacht zijn in de gegevens die worden weergegeven door punten. Merk op dat naarmate we het einde van onze gegevens naderen, we kunnen zien dat er veel meer gebeurtenissen plaatsvinden. 

Het trainen van het model

Met ons model moeten we onze gegevens trainen, wat doorgaans wordt gevolgd door testen. In dit geval gaan we ons model echter niet testen, omdat we gewoon gebruiken wat het model ons geeft. 

Er zijn 298 dagen in onze dataset, maar in dit voorbeeld hebben we het model alleen nodig om 290 van die dagen te onthouden. Dit komt omdat we het model niet alle gegevens willen geven die het niet kan leren en uiteindelijk gewoon zal kopiëren. 

Kortom, we hebben deze trainingsset van 290 van de 298 dagen. 

Gebruik vervolgens ExponentialSmoothing voor ons model. Geef vervolgens de trainingsgegevensset door die 290 dagen is, en gebruik add (additief) voor onze trend, mul (multiplicatief) voor ons seizoen en 7 voor de seizoensperioden. Pas die gegevens vervolgens in het model in.

Additieve en multiplicatieve trends

Laten we een kort overzicht hebben van wat de additieve en multiplicatieve trends zijn.

In een additief model voegt de trend langzaam toe, terwijl deze in het multiplicatieve model exponentieel toeneemt en er gebeurt ook nogal wat. We kunnen een van beide gebruiken om een ​​ander type voorspelling te krijgen. 

We kunnen spelen met de additieve en multiplicatieve methoden om onze voorspelling te wijzigen. Onze huidige gegevens groeien duidelijk, dus het is absoluut noodzakelijk om additief te gebruiken, maar we kunnen ook proberen multiplicatief te gebruiken om te zien wat we krijgen. 

Wijzig bijvoorbeeld de seizoensgebondenheid van mul in add . 

Voer de gegevens uit en observeer hoe de voorspelling verandert.

Op dezelfde manier kunnen we de trend veranderen van add naar mul . 

Dit zou een multiplicatieve trend moeten opleveren die iets groter is. 

Na het uitproberen van de mogelijke combinaties bleek het gebruik van mul voor zowel de trend als het seizoen het BESTE resultaat op te leveren. 

Zodra we dit voorspellingsmodel hebben, kunnen we het gebruiken om 30 dagen vooruit te voorspellen. 

LuckyTemplates-implementatie 

Laten we hetzelfde LuckyTemplates-prognosemodel maken in ons LuckyTemplates-notitieblok.

Ga in onze LuckyTemplates Forecast naar Visualisaties > Analytics > Opties. Merk op hoe we de prognoseduur hebben ingesteld op 30 dagen. 

Laten we eens kijken hoe we die code heel gemakkelijk kunnen implementeren in Power Query. 

Klik op Gegevens transformeren. 

Voer in de Power Query-editor de gegevens in en voeg een aangepaste kolom toe voor de categorie . Gebruik Actuals zodat we later de Actuals van Forecasts kunnen splitsen. 

Als we naar de prognosesquery gaan , zien we een kleinere gegevensset die overeenkomt met 30 dagen in de toekomst.

Het Python-script herzien 

Ons Python-script bevat vergelijkbare informatie. Eerst brengen we een dataset binnen, slaan deze op als df , wijzigen Date in datetime en stellen de frequentie in op d (dag). 

We brengen ook ons ​​ExponentialSmoothing- model van holtwinters in . We nemen de eerste 290 dagen als onze trainingsset en voegen die gegevens vervolgens toe aan het model. 

In ons ExponentialSmoothing- model voegen we de trainingsgegevens toe en zetten we zowel de trends als seizoensinvloeden op mul (multiplicatief) en de seizoensperiodes op 7 dagen. Dan passen we in ons model.

Vervolgens krijgen we een nieuw dataframe of tabel met onze prognose. We resetten de index en zorgen ervoor dat ze Datum en Paginaweergaven heten, zodat ze overeenkomen met wat we in onze oorspronkelijke gegevens hebben. Ten slotte klikken we op OK. 

In de uitvoer krijgen we al deze variabelen binnen de gegevens. 

Ga naar Toegepaste stappen en klik op Toegevoegde kolom . Dit opent een tabel met onze voorspelde waarden en de aangepaste kolom met Prognose als categorie. 

In de volgende query voegen we eenvoudig de twee datasets toe waar we de Actuals en de Forecasts hebben . 

Klik op Sluiten en toepassen. 

Het model veranderde enigszins toen we de vermenigvuldigingsmethode toepasten. 

In vergelijking met LuckyTemplates kunnen we eenvoudig een prognose doen en het model een beetje meer optimaliseren door de additieve aard van de trend en de seizoensgebondenheid in Python te veranderen . We kunnen die voorspellingen ook toevoegen aan onze daadwerkelijke dataset. 

Vooruitzichten maken in LuckyTemplates met DAX
Trendanalyse uitvoeren in LuckyTemplates DAX gebruiken
Seizoensgebondenheid in uw budget beheren Analyses - Geavanceerde LuckyTemplates

Conclusie

In deze blog hebben we het proces doorlopen van het maken van een prognosemodel in LuckyTemplates met behulp van Python . Door Python te integreren in LuckyTemplates, hebben we toegang tot een breed scala aan tools voor gegevensanalyse en modellering, waardoor we geavanceerdere prognoses kunnen maken. 

Met de vaardigheden die u in deze zelfstudie hebt geleerd, kunt u nu uw eigen prognosemodellen in LuckyTemplates maken en deze gebruiken om met vertrouwen plannen voor de toekomst te maken. Onthoud dat prognoses een iteratief proces zijn, dus aarzel niet om te experimenteren met verschillende algoritmen en technieken om degene te vinden die het beste werkt voor uw gegevens en om uw model continu te controleren en bij te werken wanneer er nieuwe gegevens binnenkomen.

Al het beste,

Gaelim Holland