Model de prognoză LuckyTemplates folosind Python

Prognoza este un aspect important al analizei datelor, deoarece permite companiilor să ia decizii informate cu privire la viitor, pe baza datelor istorice. O modalitate eficientă de a efectua această sarcină este utilizarea modelului de prognoză LuckyTemplates folosind Python. LuckyTemplates este un instrument popular de business intelligence care permite utilizatorilor să creeze vizualizări interactive de date, rapoarte și tablouri de bord. 

În acest tutorial, învățăm cum să creăm un model de prognoză în LuckyTemplates folosind Python. Vom folosi Python în Power Query pentru a crea valori prognozate și pentru a le aduce în vizualizările LuckyTemplates. Puteți viziona videoclipul complet al acestui tutorial în partea de jos a acestui blog .

Cuprins

• Exemple de modele de prognoză LuckyTemplates
• Model de prognoză LuckyTemplates: controale și limitări 
• Analiza tendințelor pentru modelele de prognoză Python și LuckyTemplates
• Utilizarea codului Python pentru prognoză
  • Antrenarea Modelului
  • Tendințe aditive și multiplicative
• Implementarea LuckyTemplates 
• Revizuirea Scriptului Python 
• Concluzie

Exemple de modele de prognoză LuckyTemplates

Mai jos sunt câteva modele de prognoză LuckyTemplates pentru a vă arăta ce vrem să obținem în acest tutorial. Acestea sunt vizualizări reale de pagină care dezvăluie sezonalitatea săptămânală și unele vârfuri sezoniere ale datelor. 

Spre sfârșit, putem vedea tendința de creștere a datelor noastre pe care dorim să o reluăm în modelul nostru.

Model de prognoză LuckyTemplates: controale și limitări 

Mai jos este modelul pentru prognoza pe 30 de zile creată folosind LuckyTemplates. Are aceeași caracter sezonier ca și vizualizările reale ale paginii, iar în LuckyTemplates, avem și opțiunile de a controla unele dintre date.

Putem face asta deschizând Analytics în panoul Vizualizări . Apoi, plasați cursorul în jos la Prognoză > Opțiuni . 

Puneți 30 de zile în lungimea Prognozei și setați intervalul de încredere la 95%. Sistemul poate prezice Sezonalitatea cu setarea sa implicită, dar putem adăuga și 7 pentru a reprezenta sezonalitatea săptămânală. 

Faceți clic pe Aplicare și ar trebui să obținem un model similar cu cel de mai sus.

Analiza tendințelor pentru modelele de prognoză Python și LuckyTemplates

LuckyTemplates face o treabă grozavă de modelare a sezonului. Cu toate acestea, linia de tendință nu funcționează la fel.

Pentru a începe analiza tendințelor , activați linia Tendință din panoul Vizualizări .

Odată pornit, putem observa o tendință ascendentă. Ar trebui să putem adăuga această tendință în datele noastre, care va influența apoi prognoza. 

Putem face asta cu modelul nostru Python . După cum vedem în modelul de mai jos, tendința a crescut sezonier în loc să rămână neted.

Utilizarea codului Python pentru prognoză

Folosirea Python pentru a ne atinge obiectivul nu este o sarcină dificilă. Pentru a începe, deschide Jupyter Notebook . 

Introduceți datele de care avem nevoie: panda, matplotlib.pyplot, seaborn și ExponentialSmoothing . 

Există și alte modele care probabil vor fi mai precise, dar vor necesita mai multă optimizare. 

Vom aduce, de asemenea, seasonal_decompose pentru a vedea sezonalitatea și tendința. Apoi, utilizați prognoza web web_forecast.xlsx pentru a citi datele noastre. 

Apoi, schimbă data folosind codul de mai jos. 

Setați indexul setului nostru de date la Data și numiți-l ts. Apoi, setați frecvența setului de date. Știm că avem date zilnice, așa că să setăm frecvența ca d ca în zi și să o salvăm ca ts . 

În cele din urmă, trasați folosind ts.plot ( ).

După ce am trasat, ar trebui să vedem exact ce am văzut în blocnotesul nostru LuckyTemplates.  

Pentru a ne face o idee mai bună despre componentele din tendința noastră actuală, putem folosi următorul cod.

Primul model este Actuals- ul nostru . Alături este linia de tendință pe care o luăm cu seasonal_decompose(ts).plot(); .

Aceasta este tendința pe care trebuie să o adăugăm modelului. 

Avem, de asemenea, sezonalitatea pe care o putem adăuga atât modelului LuckyTemplates, cât și modelului Exponential Smoothing. 

Ultimul nostru model arată Reziduurile sau cele care sunt neașteptate în datele care sunt reprezentate prin puncte. Observați că, pe măsură ce ne îndreptăm spre sfârșitul datelor noastre, putem vedea că se întâmplă mult mai multe evenimente. 

Antrenarea Modelului

Cu modelul nostru, trebuie să ne antrenăm datele, care sunt de obicei urmate de testare. Cu toate acestea, în acest caz, nu vom testa modelul nostru, deoarece vom folosi doar ceea ce ne oferă modelul. 

Există 298 de zile în setul nostru de date, dar în acest exemplu, avem nevoie doar de model pentru a reține 290 dintre acele zile. Acest lucru se datorează faptului că nu vrem să oferim modelului toate datele pe care nu le poate învăța și în cele din urmă le va copia. 

Practic, avem acest set de antrenament de 290 de zile din 298. 

Apoi, utilizați ExponentialSmoothing pentru modelul nostru. Apoi, introduceți setul de date de antrenament care este de 290 de zile și utilizați add (aditiv) pentru tendința noastră, mul (multiplicativ) pentru sezonul nostru și 7 pentru perioadele sezoniere. Apoi, potriviți acele date în model.

Tendințe aditive și multiplicative

Să avem o privire de ansamblu rapidă asupra tendințelor aditive și multiplicative.

Într-un model aditiv, tendința se adaugă încet, în timp ce în modelul multiplicativ crește exponențial și se întâmplă și multe. Putem folosi oricare dintre cele două pentru a obține un tip diferit de predicție. 

Ne putem juca cu metodele aditive și multiplicative pentru a ne modifica predicția. Datele noastre actuale cresc în mod clar, așa că este imperativ să folosim aditiv, dar putem încerca și să folosim multiplicativ pentru a vedea ce vom obține. 

De exemplu, modificați sezonalitatea de la mul la add . 

Rulați datele și observați cum se schimbă predicția.

În mod similar, putem schimba tendința de la add la mul . 

Acest lucru ar trebui să producă o tendință multiplicativă care este puțin mai mare. 

După ce s-au încercat combinațiile posibile, s-a constatat că utilizarea mul atât pentru tendință, cât și pentru sezonier a dat cel mai BUN rezultat. 

Odată ce avem acest model de prognoză, îl putem folosi pentru a prognoza cu 30 de zile înainte. 

Implementarea LuckyTemplates 

Să creăm același model de prognoză LuckyTemplates în blocnotesul nostru LuckyTemplates.

În Prognoza noastră LuckyTemplates , accesați Vizualizări > Analytics > Opțiuni. Observați cum am setat durata Prognozei la 30 de zile. 

Să vedem cum putem implementa acest cod foarte ușor în Power Query. 

Faceți clic pe Transformă datele. 

În Editorul Power Query, introduceți datele și adăugați coloana personalizată pentru categorie . Folosiți Actuals, astfel încât să putem împărți ulterior Actuals-ul de Forecasts. 

Dacă mergem la Interogarea prognoze , vom vedea un set de date mai mic, echivalent cu 30 de zile în viitor.

Revizuirea Scriptului Python 

Scriptul nostru Python conține informații similare. Mai întâi, aducem un set de date, îl salvăm ca df , schimbăm Data la datetime și setăm frecvența la d (zi). 

De asemenea, aducem modelul nostru ExponentialSmoothing de la holtwinters . Luăm primele 290 de zile ca set de antrenament și apoi adăugăm acele date la model. 

În modelul nostru ExponentialSmoothing , adăugăm datele de antrenament și setăm atât tendințele și sezonul la mul (multiplicativ), cât și perioadele sezoniere la 7 zile. Apoi ne potrivim modelul.

În continuare, obținem un nou cadru de date sau tabel cu prognoza noastră. Resetăm indexul și ne asigurăm că sunt numite Data și Afișări de pagină pentru a se potrivi cu ceea ce avem în datele noastre originale. În cele din urmă, facem clic pe OK. 

În rezultat, ni se oferă toate aceste variabile în cadrul datelor. 

Accesați Pași aplicați și faceți clic pe Coloană adăugată . Aceasta deschide un tabel cu valorile noastre estimate și coloana personalizată care are Prognoza ca categorie. 

În următoarea interogare, adăugăm pur și simplu cele două seturi de date unde avem Actuals și Forecasts . 

Faceți clic pe Închideți și aplicați. 

Modelul s-a schimbat ușor când am aplicat metoda multiplicativă. 

În comparație cu LuckyTemplates, putem face cu ușurință o prognoză și putem optimiza un pic mai mult modelul, schimbând natura aditivă a tendinței și sezonalitatea în Python . De asemenea, putem adăuga acele predicții la setul nostru de date actual. 

Crearea de prognoze anticipate în LuckyTemplates utilizând DAX
Cum se efectuează analiza tendințelor în LuckyTemplates utilizând DAX
Gestionarea sezonalității în analiza bugetului dvs. – Advanced LuckyTemplates

Concluzie

În acest blog, am parcurs procesul de creare a unui model de prognoză în LuckyTemplates folosind Python . Prin integrarea Python în LuckyTemplates, putem accesa o gamă largă de instrumente de analiză și modelare a datelor, ceea ce ne permite să creăm prognoze mai avansate. 

Cu abilitățile pe care le-ați învățat în acest tutorial, puteți acum să vă creați propriile modele de prognoză în LuckyTemplates și să le utilizați pentru a planifica viitorul cu încredere. Amintiți-vă că prognoza este un proces iterativ, așa că nu ezitați să experimentați cu diferiți algoritmi și tehnici pentru a găsi pe cel care funcționează cel mai bine pentru datele dvs. și verificați și actualizați continuu modelul pe măsură ce apar noi date.

Toate cele bune,

Olanda Gaelim