Modelo de previsão do LuckyTemplates usando Python

A previsão é um aspecto importante da análise de dados, pois permite que as empresas tomem decisões informadas sobre o futuro com base em dados históricos. Uma maneira eficiente de executar essa tarefa é utilizando o modelo de previsão do LuckyTemplates usando Python. O LuckyTemplates é uma ferramenta popular de business intelligence que permite aos usuários criar visualizações de dados, relatórios e painéis interativos. 

Neste tutorial, aprendemos como criar um modelo de previsão no LuckyTemplates usando Python. Usaremos o Python no Power Query para criar valores previstos e trazê-los para as visualizações do LuckyTemplates. Você pode assistir ao vídeo completo deste tutorial na parte inferior deste blog .

Índice

• Exemplos de modelo de previsão do LuckyTemplates
• Modelo de previsão do LuckyTemplates: controles e limitações 
• Análise de tendências para modelos de previsão de Python e LuckyTemplates
• Usando código Python para previsão
  • Treinando o modelo
  • Tendências aditivas e multiplicativas
• Implementação do LuckyTemplates 
• Revendo o script Python 
• Conclusão

Exemplos de modelo de previsão do LuckyTemplates

Abaixo estão alguns modelos de previsão do LuckyTemplates para mostrar o que queremos alcançar neste tutorial. Essas são visualizações de página reais que revelam a sazonalidade semanal e alguns picos sazonais nos dados. 

No final, podemos ver a tendência crescente em nossos dados que queremos captar em nosso modelo.

Modelo de previsão do LuckyTemplates: controles e limitações 

Abaixo está o modelo para a previsão de 30 dias criada usando o LuckyTemplates. Ele tem a mesma sazonalidade das exibições de página reais e, no LuckyTemplates, também temos opções para controlar alguns dos dados.

Podemos fazer isso abrindo o Analytics no painel Visualizações . Em seguida, passe o mouse para Previsão > Opções . 

Coloque 30 dias no comprimento da previsão e defina o intervalo de confiança em 95%. O sistema pode prever a sazonalidade com sua configuração padrão, mas também podemos adicionar 7 para representar a sazonalidade semanal. 

Clique em Aplicar e devemos obter um modelo semelhante ao acima.

Análise de tendências para modelos de previsão de Python e LuckyTemplates

O LuckyTemplates faz um ótimo trabalho ao modelar a sazonalidade. No entanto, sua linha de tendência não tem o mesmo desempenho.

Para iniciar a análise de tendências , ative a linha Tendência no painel Visualizações .

Uma vez, podemos ver uma tendência ascendente. Devemos ser capazes de adicionar essa tendência aos nossos dados, o que influenciará a previsão. 

Podemos fazer isso com nosso modelo Python . Como vemos no modelo abaixo, a tendência pegou sazonalidade em vez de ficar estável.

Usando código Python para previsão

Usar o Python para atingir nosso objetivo não é uma tarefa difícil. Para começar, abra seu Jupyter Notebook . 

Traga os dados de que precisamos: pandas, matplotlib.pyplot, seaborn e ExponentialSmoothing . 

Existem outros modelos que provavelmente serão mais precisos, mas exigirão mais otimização. 

Também traremos a sazonal_decomposição para ver a sazonalidade e a tendência. Em seguida, use a previsão da web web_forecast.xlsx para ler nossos dados. 

Em seguida, altere a data usando o código abaixo. 

Defina o índice do nosso conjunto de dados como Date e chame-o de ts. Em seguida, defina a frequência do conjunto de dados. Sabemos que temos dados diários, então vamos definir a frequência como d como em day e salvá-la como ts . 

Finalmente, plote usando ts.plot ( ).

Após a plotagem, devemos ver exatamente o que vimos em nosso bloco de anotações do LuckyTemplates.  

Para ter uma ideia melhor dos componentes em nossa tendência real, podemos usar o seguinte código.

O primeiro modelo é o nosso Actuals . Próximo a ela está a linha de tendência que pegamos com sazonal_decompose(ts).plot(); .

Esta é a tendência que precisamos adicionar ao modelo. 

Também temos a sazonalidade que podemos adicionar ao LuckyTemplates e ao modelo de Suavização Exponencial. 

Nosso último modelo mostra os Resíduos ou imprevistos nos dados que são representados por pontos. Observe que, à medida que nos aproximamos do final de nossos dados, podemos ver que há muito mais eventos acontecendo. 

Treinando o modelo

Com nosso modelo, precisamos treinar nossos dados, que normalmente são seguidos por testes. No entanto, neste caso, não testaremos nosso modelo porque usaremos apenas o que o modelo nos fornece. 

Há 298 dias em nosso conjunto de dados, mas, neste exemplo, precisamos apenas que o modelo se lembre de 290 desses dias. Isso ocorre porque não queremos fornecer ao modelo todos os dados que ele não pode aprender e que, eventualmente, apenas copiará. 

Basicamente, temos esse conjunto de treinamento de 290 dias de 298. 

Em seguida, use ExponentialSmoothing para nosso modelo. Em seguida, passe o conjunto de dados de treinamento que é de 290 dias e use add (aditivo) para nossa tendência, mul (multiplicativo) para nossa temporada e 7 para os períodos sazonais. Em seguida, ajuste esses dados no modelo.

Tendências aditivas e multiplicativas

Vamos ter uma rápida visão geral do que são as tendências aditivas e multiplicativas.

Em um modelo aditivo, a tendência aumenta lentamente, enquanto no modelo multiplicativo , ela aumenta exponencialmente e também há muita coisa acontecendo. Podemos usar qualquer um dos dois para obter um tipo diferente de previsão. 

Podemos brincar com os métodos aditivo e multiplicativo para modificar nossa previsão. Nossos dados atuais estão claramente crescendo, por isso é imperativo usar o aditivo, mas também podemos tentar usar o multiplicativo para ver o que obteremos. 

Por exemplo, altere a sazonalidade de mul para add . 

Execute os dados e observe como a previsão muda.

Da mesma forma, podemos alterar a tendência de add para mul . 

Isso deve produzir uma tendência multiplicativa um pouco maior. 

Depois de tentar as combinações possíveis, o uso de mul tanto para tendência quanto para sazonal produziu o MELHOR resultado. 

Assim que tivermos esse modelo de previsão, podemos usá-lo para prever com 30 dias de antecedência. 

Implementação do LuckyTemplates 

Vamos criar o mesmo modelo de previsão do LuckyTemplates em nosso bloco de anotações do LuckyTemplates.

Em nossa Previsão do LuckyTemplates , vá para Visualizações > Análise > Opções. Observe como definimos a duração da previsão para 30 dias. 

Vamos ver como podemos implementar esse código facilmente no Power Query. 

Clique em Transformar dados. 

No Editor do Power Query, traga os dados e adicione a coluna personalizada para a categoria . Use Reais para que possamos dividir posteriormente os Reais das Previsões. 

Se formos para a consulta de previsões , veremos um conjunto de dados menor equivalente a 30 dias no futuro.

Revendo o script Python 

Nosso script Python contém informações semelhantes. Primeiro, trazemos um conjunto de dados, salvamos como df , alteramos Date para datetime e definimos a frequência como d (dia). 

Também trazemos nosso modelo ExponentialSmoothing de holtwinters . Tomamos os primeiros 290 dias como nosso conjunto de treinamento e adicionamos esses dados ao modelo. 

Em nosso modelo ExponentialSmoothing , adicionamos os dados de treinamento e definimos as tendências e sazonais como mul (multiplicativo) e os períodos sazonais como 7 dias. Então ajustamos nosso modelo.

Em seguida, obtemos um novo quadro de dados ou tabela com nossa previsão. Redefinimos o índice e garantimos que eles sejam nomeados Data e Visualizações de página para corresponder ao que temos em nossos dados originais. Por fim, clicamos em OK. 

Na saída, recebemos todas essas variáveis ​​dentro dos dados. 

Vá para Etapas aplicadas e clique em Coluna adicionada . Isso abre uma tabela com nossos valores previstos e a coluna personalizada que tem Previsão como categoria. 

Na próxima consulta, simplesmente anexamos os dois conjuntos de dados onde temos os dados reais e as previsões . 

Clique em Fechar e Aplicar. 

O modelo mudou ligeiramente quando aplicamos o método multiplicativo. 

Comparado ao LuckyTemplates, podemos facilmente fazer uma previsão e otimizar um pouco mais o modelo alterando a natureza aditiva da tendência e a sazonalidade em Python . Da mesma forma, podemos adicionar essas previsões ao nosso conjunto de dados real. 

Criando previsões futuras no LuckyTemplates usando DAX
Como fazer análise de tendências no LuckyTemplates usando DAX
Gerenciando a sazonalidade em sua análise de orçamento – LuckyTemplates avançado

Conclusão

Neste blog, percorremos o processo de criação de um modelo de previsão no LuckyTemplates usando Python . Ao integrar o Python ao LuckyTemplates, podemos acessar uma ampla gama de ferramentas de análise e modelagem de dados, o que nos permite criar previsões mais avançadas. 

Com as habilidades que você aprendeu neste tutorial, agora você pode criar seus próprios modelos de previsão no LuckyTemplates e usá-los para planejar o futuro com confiança. Lembre-se de que a previsão é um processo iterativo, portanto, não hesite em experimentar diferentes algoritmos e técnicas para encontrar aquele que funciona melhor para seus dados e verifique e atualize continuamente seu modelo à medida que novos dados chegam.

Tudo de bom,

gaelim holanda