โมเดลการคาดการณ์ของ LuckyTemplates โดยใช้ Python

การพยากรณ์เป็นส่วนสำคัญของการวิเคราะห์ข้อมูล เนื่องจากช่วยให้ธุรกิจสามารถตัดสินใจอย่างรอบรู้เกี่ยวกับอนาคตโดยอ้างอิงจากข้อมูลในอดีต วิธีหนึ่งที่มีประสิทธิภาพในการดำเนินการนี้คือการใช้แบบจำลองการคาดการณ์ของ LuckyTemplates โดยใช้ Python LuckyTemplates เป็นเครื่องมือข่าวกรองธุรกิจยอดนิยมที่ช่วยให้ผู้ใช้สร้างการแสดงข้อมูลแบบโต้ตอบ รายงาน และแดชบอร์ด 

ในบทช่วยสอนนี้ เราเรียนรู้วิธีสร้างแบบจำลองการคาดการณ์ใน LuckyTemplatesโดยใช้ Python เราจะใช้ Python ใน Power Query เพื่อสร้างค่าที่คาดการณ์ไว้และนำค่าเหล่านั้นเข้าสู่การแสดงภาพของ LuckyTemplates คุณสามารถดูวิดีโอทั้งหมดของบทช่วยสอนนี้ได้ที่ด้านล่างของบล็อกนี้

สารบัญ

• ตัวอย่างแบบจำลองการคาดการณ์ของ LuckyTemplates
• โมเดลการคาดการณ์ของ LuckyTemplates: การควบคุมและข้อจำกัด 
• การวิเคราะห์แนวโน้มสำหรับโมเดลการคาดการณ์ Python และ LuckyTemplates
• การใช้รหัส Python สำหรับการพยากรณ์
  • การฝึกอบรมแบบจำลอง
  • แนวโน้มการบวกและการคูณ
• การใช้งาน LuckyTemplates 
• ตรวจสอบสคริปต์ Python 
• บทสรุป

ตัวอย่างแบบจำลองการคาดการณ์ของ LuckyTemplates

ด้านล่างนี้คือแบบจำลองการคาดการณ์ของ LuckyTemplates ที่จะแสดงให้คุณเห็นถึงสิ่งที่เราต้องการบรรลุในบทช่วยสอนนี้ นี่คือการดูหน้าเว็บจริงซึ่งเผยให้เห็นฤดูกาลรายสัปดาห์และบางฤดูกาลสูงสุดในข้อมูล 

ในตอนท้าย เราสามารถเห็นแนวโน้มที่เพิ่มขึ้นในข้อมูลของเราซึ่งเราต้องการนำมาใช้ในแบบจำลองของเรา

โมเดลการคาดการณ์ของ LuckyTemplates: การควบคุมและข้อจำกัด 

ด้านล่างนี้คือแบบจำลองสำหรับการคาดการณ์ 30 วันที่สร้างขึ้นโดยใช้ LuckyTemplates มีฤดูกาลเหมือนกับการดูหน้าเว็บจริง และใน LuckyTemplates เรายังมีตัวเลือกในการควบคุมข้อมูลบางส่วน

เราสามารถทำได้โดยเปิดAnalyticsในบานหน้าต่างการแสดงภาพ จากนั้น วางเมาส์ลงไปที่พยากรณ์ > ตัวเลือก 

ใส่30วันในระยะเวลาการคาดการณ์และตั้งค่าช่วงความเชื่อมั่นที่ 95% ระบบสามารถทำนายฤดูกาลด้วยการตั้งค่าเริ่มต้น แต่เรายังสามารถเพิ่ม7เพื่อแสดงฤดูกาลรายสัปดาห์ได้  อีกด้วย

คลิกสมัครแล้วเราจะได้โมเดลที่คล้ายกับด้านบน

การวิเคราะห์แนวโน้มสำหรับโมเดลการคาดการณ์ Python และ LuckyTemplates

LuckyTemplates ทำงานได้อย่างยอดเยี่ยมในการสร้างแบบจำลองฤดูกาล อย่างไรก็ตาม เส้นแนวโน้มจะไม่ทำงานเหมือนเดิม

เมื่อต้องการเริ่มการวิเคราะห์แนวโน้มให้เปิดเส้นแนวโน้มในบานหน้าต่างการแสดงภาพ

เราจะเห็นแนวโน้มขาขึ้น เราควรสามารถเพิ่มแนวโน้มดังกล่าวลงในข้อมูลของเรา ซึ่งจะส่งผลต่อการคาดการณ์ 

เราสามารถทำได้ด้วยโมเดลPython ของเรา ดังที่เราเห็นในแบบจำลองด้านล่าง แนวโน้มเพิ่มขึ้นตามฤดูกาลแทนที่จะทรงตัว

การใช้รหัส Python สำหรับการพยากรณ์

การใช้Pythonเพื่อให้บรรลุเป้าหมายไม่ใช่เรื่องยาก ในการ เริ่ม  ต้น ให้เปิดJupyter Notebook ของคุณ

นำข้อมูลที่เราต้องการ: pandas  , matplotlib.pyplot, seabornและExponentialSmoothing

มีโมเดลอื่นที่น่าจะแม่นยำกว่านี้ แต่จะต้องมีการปรับแต่งเพิ่มเติม 

นอกจากนี้ เราจะนำseasonal_decompose มาใช้ เพื่อดูฤดูกาลและแนวโน้ม จากนั้นใช้เว็บพยากรณ์web_forecast.xlsxเพื่ออ่านข้อมูลของเรา 

จากนั้นเปลี่ยนวันที่โดยใช้รหัสด้านล่าง 

ตั้งค่าดัชนีชุดข้อมูลของเราเป็นDateและเรียกมันว่าts จากนั้นตั้งค่าความถี่ของชุดข้อมูล เรารู้ว่าเรามีข้อมูลรายวัน ดังนั้นให้ตั้งค่าความถี่เป็นdเท่ากับวันและบันทึกเป็น  ts

สุดท้าย วางแผนโดยใช้ts.plot ( )

หลังจากการลงจุด เราควรเห็นสิ่งที่เราเห็นในสมุดบันทึก LuckyTemplates ของเราทุกประการ  

เพื่อให้ได้แนวคิดที่ดีขึ้นเกี่ยวกับส่วนประกอบในแนวโน้มที่แท้จริงของเรา เราสามารถใช้รหัสต่อไปนี้

โมเดลแรกคือActuals ของ เรา ถัดลงมาคือเส้นแนวโน้มที่เรารับด้วยseasonal_decompose(ts).plot(); .

นี่คือเทรนด์ที่เราต้องเพิ่มเข้าไปในโมเดล 

นอกจากนี้ เรายังมีฤดูกาลที่เราสามารถเพิ่มให้กับทั้ง LuckyTemplates และแบบจำลองการปรับให้เรียบแบบเอกซ์โปเนนเชียล 

โมเดลล่าสุดของเราแสดงส่วนที่เหลือหรือสิ่งที่ไม่คาดคิดในข้อมูลซึ่งแสดงด้วยจุด ขอให้สังเกตว่าเมื่อเราก้าวไปสู่จุดสิ้นสุดของข้อมูล เราจะเห็นว่ามีเหตุการณ์ต่างๆ เกิดขึ้นมากมาย 

การฝึกอบรมแบบจำลอง

ด้วยแบบจำลองของเรา เราจำเป็นต้องฝึกฝนข้อมูลของเรา ซึ่งโดยทั่วไปแล้วตามมาด้วยการทดสอบ อย่างไรก็ตาม ในกรณีนี้ เราจะไม่ทดสอบโมเดลของเราเพราะเราจะใช้สิ่งที่โมเดลมอบให้เราเท่านั้น 

ชุดข้อมูลของเรา มี298วัน แต่ในตัวอย่างนี้ เราต้องการให้โมเดลจดจำวันเหล่านั้น เพียง 290 วันเท่านั้น นี่เป็นเพราะเราไม่ต้องการให้ข้อมูลทั้งหมดแก่โมเดลที่ไม่สามารถเรียนรู้ได้และในที่สุดก็จะคัดลอกไป 

โดยพื้นฐานแล้ว เรามีชุดการฝึกนี้ 290 วันจาก 298 วัน 

จากนั้น ใช้ExponentialSmoothingสำหรับโมเดลของเรา จากนั้นส่งผ่านชุดข้อมูลการฝึกอบรมซึ่งเป็น 290 วัน และใช้การบวก (การบวก) สำหรับแนวโน้มของเราmul (การคูณ) สำหรับฤดูกาลของเรา และ7สำหรับช่วงเวลาตามฤดูกาล จากนั้นใส่ข้อมูลนั้นลงในโมเดล

แนวโน้มการบวกและการคูณ

มาดูภาพรวมอย่างรวดเร็วว่าแนวโน้มการบวกและการคูณคืออะไร

ในแบบจำลองการบวกแนวโน้มจะเพิ่มขึ้นอย่างช้าๆ ในขณะที่แบบจำลองการคูณแนวโน้มจะเพิ่มขึ้นแบบทวีคูณและมีหลายอย่างเกิดขึ้นเช่นกัน เราสามารถใช้อย่างใดอย่างหนึ่งเพื่อรับการทำนายประเภทต่างๆ 

เราสามารถเล่นกับวิธีการบวกและการคูณเพื่อปรับเปลี่ยนการทำนายของเรา ข้อมูลปัจจุบันของเราเพิ่มขึ้นอย่างชัดเจน ดังนั้นจึงจำเป็นต้องใช้การบวก แต่เราสามารถลองใช้การคูณเพื่อดูว่าเราจะได้อะไร 

ตัวอย่างเช่น เปลี่ยน  ฤดูกาลจากmulเพื่อเพิ่ม

เรียกใช้ข้อมูลและสังเกตว่าการทำนายเปลี่ยนแปลงอย่างไร

ใน ทำนอง  เดียวกัน เราสามารถเปลี่ยนแนวโน้มจากเพิ่มเป็นmul

สิ่งนี้ควรให้ผลลัพธ์เป็นแนวโน้มทวีคูณที่ใหญ่ขึ้นเล็กน้อย 

หลังจากลองใช้ชุดค่าผสมที่เป็นไปได้แล้ว พบว่าการใช้mulสำหรับทั้งเทรนด์และตามฤดูกาลพบว่าให้ผลลัพธ์  ที่ดีที่สุด

เมื่อได้โมเดลพยากรณ์นี้แล้ว เราก็สามารถใช้คาดการณ์ล่วงหน้าได้ 30 วัน 

การใช้งาน LuckyTemplates 

มาสร้างแบบจำลองการคาดการณ์ LuckyTemplates เดียวกันในสมุดบันทึก LuckyTemplates ของเรากันเถอะ

ใน การคาดการณ์ LuckyTemplates ของเราให้ไปที่การแสดงภาพ > การวิเคราะห์ > ตัวเลือก สังเกตว่าเราตั้งระยะเวลาพยากรณ์เป็น30 วัน  ได้อย่างไร

มาดูกันว่าเราจะนำโค้ดนั้นไปใช้ได้อย่างง่ายดายใน Power Query ได้อย่างไร 

คลิกแปลงข้อมูล 

ในตัวแก้ไข Power Query ให้นำ เข้าข้อมูลและเพิ่ม คอลัมน์ แบบกำหนดเองสำหรับประเภท ใช้ข้อมูลจริงเพื่อให้เราแยกข้อมูลจริงออกจากการคาดการณ์ได้ในภายหลัง 

หากเราไปที่แบบสอบถามการคาดการณ์เราจะเห็นชุดข้อมูลที่มีขนาดเล็กลงเทียบเท่ากับ 30 วันข้างหน้า

ตรวจสอบสคริปต์ Python 

สคริปต์ Python ของเรามีข้อมูลที่คล้ายกัน ขั้นแรก เรานำชุดข้อมูลเข้ามา บันทึกเป็นdfเปลี่ยนDateเป็นdatetimeและตั้งค่าความถี่เป็นd (วัน) 

นอกจากนี้ เรายังนำ โมเดล ExponentialSmoothingจากholtwinters เข้ามา ด้วย เราใช้เวลา 290 วันแรกเป็นชุดการฝึกของเรา แล้วจึงเพิ่มข้อมูลนั้นลงในโมเดล 

ใน โมเดล ExponentialSmoothing ของเรา เราเพิ่มข้อมูลการฝึกอบรมและตั้งค่าทั้งแนวโน้มและฤดูกาลเป็นmul (การคูณ) และช่วงเวลาตามฤดูกาลเป็น7วัน จากนั้นเราก็พอดีกับรูปแบบของเรา

ต่อไป เราได้รับกรอบข้อมูลหรือตารางใหม่พร้อมการคาดการณ์ของเรา เรารีเซ็ตดัชนีและตรวจสอบให้แน่ใจว่าตั้งชื่อวันที่และจำนวนหน้าที่มีการเปิดให้ตรงกับสิ่งที่เรามีในข้อมูลเดิมของเรา ในที่สุดเราก็คลิกตกลง 

ในผลลัพธ์ เราได้รับตัวแปรเหล่านี้ทั้งหมดภายในข้อมูล 

ไปที่ขั้นตอนที่ใช้แล้วคลิกคอลัมน์ที่เพิ่ม ซึ่งจะเปิดตารางที่มีค่าที่คาดการณ์ไว้และคอลัมน์ที่กำหนดเองซึ่งมีการพยากรณ์เป็นหมวดหมู่ 

ในแบบสอบถามถัด ไป  เราเพียงผนวกชุดข้อมูลสองชุดที่เรามี ข้อมูลจริงและการคาดการณ์

คลิกปิด & สมัคร 

โมเดลเปลี่ยนไปเล็กน้อยเมื่อเราใช้วิธีการคูณ 

เมื่อเทียบกับ LuckyTemplates เราสามารถคาดการณ์และ เพิ่มประสิทธิภาพโมเดลได้ง่ายขึ้นอีกเล็กน้อยโดยการเปลี่ยนลักษณะเพิ่มเติมของแนวโน้มและฤดูกาลในPython เราสามารถเพิ่มการคาดคะเนเหล่านั้นลงในชุดข้อมูลจริงของเราได้ 

การสร้างการคาดการณ์ล่วงหน้าใน LuckyTemplates โดยใช้ DAX
วิธีการวิเคราะห์แนวโน้มใน LuckyTemplates โดยใช้ DAX
การจัดการฤดูกาลในการวิเคราะห์งบประมาณของคุณ – LuckyTemplates ขั้นสูง

บทสรุป

ในบล็อกนี้ เราแนะนำกระบวนการสร้างแบบจำลองการคาดการณ์ใน LuckyTemplates โดยใช้Python ด้วยการรวมPythonเข้ากับ LuckyTemplates เราสามารถเข้าถึงเครื่องมือวิเคราะห์ข้อมูลและการสร้างแบบจำลองได้หลากหลาย ซึ่งช่วยให้เราสามารถสร้างการคาดการณ์ขั้นสูงเพิ่มเติมได้ 

ด้วยทักษะที่คุณได้เรียนรู้ในบทช่วยสอนนี้ ตอนนี้คุณสามารถสร้างแบบจำลองการคาดการณ์ของคุณเองใน LuckyTemplates และใช้เพื่อวางแผนสำหรับอนาคตได้อย่างมั่นใจ โปรดจำไว้ว่าการคาดการณ์เป็นกระบวนการที่เกิดซ้ำ ดังนั้นอย่าลังเลที่จะทดลองกับอัลกอริทึมและเทคนิคต่างๆ เพื่อค้นหาวิธีที่ดีที่สุดสำหรับข้อมูลของคุณ และตรวจสอบและอัปเดตโมเดลของคุณอย่างต่อเนื่องเมื่อมีข้อมูลใหม่เข้ามา

สิ่งที่ดีที่สุด

เกลลิม ฮอลแลนด์