Excel Hücrelerini Metne Sığdırma: 4 Kolay Çözüm
Excel hücrelerini metne sığdırmak için güncel bilgileri ve 4 kolay çözümü keşfedin.
Tahmin, işletmelerin geçmiş verilere dayanarak gelecek hakkında bilinçli kararlar almasına olanak tanıdığı için veri analizinin önemli bir yönüdür. Bu görevi gerçekleştirmenin etkili bir yolu, Python kullanarak LuckyTemplates tahmin modelini kullanmaktır. LuckyTemplates, kullanıcıların etkileşimli veri görselleştirmeleri, raporlar ve panolar oluşturmasına olanak tanıyan popüler bir iş zekası aracıdır.
Bu öğreticide, Python kullanarak LuckyTemplates'da tahmin modeli oluşturmayı öğreniyoruz . Tahmini değerler oluşturmak ve bunları LuckyTemplates görselleştirmelerine dahil etmek için Power Query'de Python kullanacağız. Bu eğitimin tam videosunu bu blogun alt kısmında izleyebilirsiniz .
İçindekiler
LuckyTemplates Tahmin Modeli Örnekleri
Aşağıda, bu eğitimde neyi başarmak istediğimizi göstermek için bazı LuckyTemplates tahmin modelleri bulunmaktadır. Bunlar, haftalık mevsimselliği ve verilerdeki bazı mevsimsel zirveleri gösteren gerçek sayfa görünümleridir.
Sonlara doğru modelimizde yakalamak istediğimiz verilerimizdeki artış trendini görebiliriz.
LuckyTemplates Tahmin Modeli: Denetimler ve Sınırlamalar
LuckyTemplates kullanılarak oluşturulan 30 günlük tahmin modeli aşağıdadır. Gerçek sayfa görünümleriyle aynı mevsimselliğe sahiptir ve LuckyTemplates'da ayrıca bazı verileri kontrol etme seçeneklerimiz vardır.
Bunu, Görselleştirmeler bölmesinde Analytics'i açarak yapabiliriz . Ardından, Tahmin > Seçenekler'e gelin .
Tahmin uzunluğuna 30 gün koyun ve Güven aralığını %95 olarak ayarlayın. Sistem, varsayılan ayarıyla Mevsimselliği tahmin edebilir, ancak haftalık mevsimselliği temsil etmesi için 7 de ekleyebiliriz .
Uygula'ya tıklayın ve yukarıdakine benzer bir model almalıyız.
Python ve LuckyTemplates Tahmin Modelleri İçin Trend Analizi
LuckyTemplates, mevsimselliği modelleme konusunda harika bir iş çıkarıyor. Ancak, trend çizgisi aynı performansı göstermez.
Trend analizini başlatmak için Görselleştirmeler bölmesinde Trend çizgisini açın .
Bir kez, yükseliş eğilimi görebiliriz. Bu eğilimi, daha sonra tahmini etkileyecek olan verilerimize ekleyebilmeliyiz.
Bunu Python modelimiz ile yapabiliriz . Aşağıdaki modelde de gördüğümüz gibi, trend sabit kalmak yerine mevsimsellik kazandı.
Tahmin İçin Python Kodunu Kullanma
Hedefimize ulaşmak için Python kullanmak zor bir iş değil. Başlamak için Jupyter Notebook'unuzu açın .
İhtiyacımız olan verileri getirin: pandalar, matplotlib.pyplot, seaborn ve ExponentialSmoothing .
Muhtemelen daha doğru olacak başka modeller var, ancak daha fazla optimizasyon gerektirecekler.
Mevsimselliği ve trendi görmek için sezonluk_decompose'u da getireceğiz . Ardından, verilerimizi okumak için web_forecast.xlsx web tahminini kullanın .
Ardından, aşağıdaki kodu kullanarak tarihi değiştirin.
Veri kümemizin dizinini Tarih olarak ayarlayın ve ts olarak adlandırın . Ardından, veri kümesinin sıklığını ayarlayın. Elimizde günlük veri olduğunu biliyoruz, o halde gün içindeki frekansı d olarak ayarlayalım ve ts olarak kaydedelim .
Son olarak, ts.plot ( ) kullanarak çizim yapın.
Çizdikten sonra, tam olarak LuckyTemplates not defterimizde gördüklerimizi görmeliyiz.
Gerçek trendimizin bileşenleri hakkında daha iyi bir fikir edinmek için aşağıdaki kodu kullanabiliriz.
İlk model Gerçek Değerlerimizdir . Yanında , season_decompose(ts).plot(); ile yakaladığımız trend çizgisi var . .
Modele eklememiz gereken trend budur.
Ayrıca hem LuckyTemplates hem de Üstel Düzeltme modeline ekleyebileceğimiz mevsimselliğe sahibiz .
Son modelimiz, noktalarla temsil edilen verilerdeki Artıkları veya beklenmeyenleri gösterir. Dikkat edin, verilerimizin sonuna doğru ilerledikçe, meydana gelen çok daha fazla olay olduğunu görebiliriz.
Modeli Eğitmek
Modelimiz ile, genellikle testlerin takip ettiği verilerimizi eğitmemiz gerekiyor. Ancak bu durumda modelimizi test etmeyeceğiz çünkü sadece modelin bize verdiği şeyi kullanacağız.
Veri kümemizde 298 gün var , ancak bu örnekte, modelin yalnızca 290 günü hatırlaması gerekiyor. Bunun nedeni, modele öğrenemeyeceği ve sonunda sadece kopyalayacağı tüm verileri vermek istemememizdir.
Temel olarak, 298 gün üzerinden 290 günlük bu eğitim setine sahibiz.
Ardından, modelimiz için ExponentialSmoothing'i kullanın. Ardından, 290 günlük eğitim veri setini girin ve trendimiz için add (additive), mevsimimiz için mul (çarpım) ve mevsimsel dönemler için 7 kullanın . Ardından, bu verileri modele sığdırın.
Eklemeli ve Çarpan Trendler
Toplayıcı ve çarpımsal eğilimlerin ne olduğuna dair hızlı bir genel bakışa sahip olalım.
Toplamsal bir modelde eğilim yavaşça toplanırken, çarpımsal modelde katlanarak artar ve oldukça fazla şey olur. Farklı bir tahmin türü elde etmek için ikisinden birini kullanabiliriz.
Tahminimizi değiştirmek için toplama ve çarpma yöntemleriyle oynayabiliriz. Mevcut verilerimiz açıkça artıyor, bu nedenle toplama kullanmak zorunludur, ancak ne elde edeceğimizi görmek için çarpım kullanmayı da deneyebiliriz.
Örneğin, mevsimselliği mul yerine add olarak değiştirin .
Verileri çalıştırın ve tahminin nasıl değiştiğini gözlemleyin.
Benzer şekilde, trendi add yerine mul olarak değiştirebiliriz .
Bu, biraz daha büyük olan çarpımsal bir eğilim sağlamalıdır.
Muhtemel kombinasyonlar denendikten sonra hem trend hem de mevsim için mul kullanılmasının EN İYİ sonucu verdiği görüldü .
Bu tahmin modeline sahip olduğumuzda, bunu 30 gün önceden tahmin etmek için kullanabiliriz.
LuckyTemplates Uygulaması
Aynı LuckyTemplates tahmin modelini LuckyTemplates not defterimizde oluşturalım.
LuckyTemplates Tahminimizde Görselleştirmeler > Analiz > Seçenekler'e gidin . Tahmin uzunluğunu nasıl 30 gün olarak ayarladığımıza dikkat edin .
Power Query'de bu kodu çok kolay bir şekilde nasıl uygulayabileceğimizi görelim.
Verileri dönüştür'e tıklayın .
Power Query Düzenleyicisi'nde, Kategori için verileri ve Özel Ekle sütununu getirin . Gerçekleşenleri daha sonra Tahminlerden ayırabilmemiz için Gerçekleşenleri kullanın .
Forecasts Query'ye gidersek , 30 güne eşdeğer daha küçük bir veri seti görürüz.
Python Komut Dosyasını İnceleme
Python Komut Dosyamız benzer bilgiler içerir. İlk olarak, bir veri kümesi getiriyoruz, df olarak kaydediyoruz, Date'i datetime olarak değiştiriyoruz ve frekansı d (day) olarak ayarlıyoruz.
Holtwinters'tan ExponentialSmoothing modelimizi de getiriyoruz . İlk 290 günü eğitim setimiz olarak alıyoruz ve ardından bu verileri modele ekliyoruz.
ExponentialSmoothing modelimizde eğitim verilerini ekleyip hem trendleri hem de mevsimi mul (çarpımsal) ve mevsimsel dönemleri 7 gün olarak ayarlıyoruz. Daha sonra modelimize uyguluyoruz .
Ardından, tahminimizle birlikte yeni bir veri çerçevesi veya tablo alırız. Dizini sıfırlıyoruz ve orijinal verilerimizde sahip olduğumuzla eşleşmesi için Tarih ve Sayfa Görünümleri olarak adlandırıldıklarından emin oluyoruz . Son olarak Tamam'a tıklıyoruz .
Çıktıda, tüm bu değişkenler bize veriler içinde verilir.
Uygulanan Adımlar'a gidin ve Sütun Eklendi'yi tıklayın . Bu, tahmin edilen değerlerimizi ve kategori olarak Tahmini olan özel sütunu içeren bir tablo açar.
Bir sonraki sorguda, Gerçekleşenler ve Tahminlere sahip olduğumuz iki veri setini basitçe ekleriz .
Kapat ve Uygula'yı tıklayın .
Çarpımsal yöntemi uyguladığımızda model biraz değişti.
LuckyTemplates ile karşılaştırıldığında, Python'da trendin toplamsal yapısını ve mevsimselliği değiştirerek kolayca tahmin yapabilir ve modeli biraz daha iyileştirebiliriz . Aynı şekilde bu tahminleri gerçek veri setimize ekleyebiliriz.
DAX Kullanarak LuckyTemplates'da İleriye Dönük Tahminler Oluşturma
DAX Kullanarak LuckyTemplates'da Trend Analizi Nasıl Yapılır?
Bütçe Analitiklerinizde Mevsimselliği Yönetme – Gelişmiş LuckyTemplates
Çözüm
Bu blogda, Python kullanarak LuckyTemplates'da bir tahmin modeli oluşturma sürecini inceledik . Python'u LuckyTemplates ile tümleştirerek , daha gelişmiş tahminler oluşturmamızı sağlayan çok çeşitli veri analizi ve modelleme araçlarına erişebiliriz.
Bu öğreticide öğrendiğiniz becerilerle, artık LuckyTemplates'da kendi tahmin modellerinizi oluşturabilir ve bunları geleceği güvenle planlamak için kullanabilirsiniz. Tahminin yinelemeli bir süreç olduğunu unutmayın, bu nedenle verileriniz için en uygun olanı bulmak için farklı algoritmalar ve teknikler denemekten çekinmeyin ve yeni veriler geldikçe modelinizi sürekli kontrol edip güncelleyin.
Herşey gönlünce olsun,
Gaelim Hollanda
Excel hücrelerini metne sığdırmak için güncel bilgileri ve 4 kolay çözümü keşfedin.
Bir Excel Dosyasının Boyutunu Küçültmek için 6 Etkili Yöntem. Hızlı ve kolay yöntemler ile verilerinizi kaybetmeden yer açın.
Python'da Self Nedir: Gerçek Dünyadan Örnekler
R'de bir .rds dosyasındaki nesneleri nasıl kaydedeceğinizi ve yükleyeceğinizi öğreneceksiniz. Bu blog aynı zamanda R'den LuckyTemplates'a nesnelerin nasıl içe aktarılacağını da ele alacaktır.
Bu DAX kodlama dili eğitiminde, GENERATE işlevinin nasıl kullanılacağını ve bir ölçü başlığının dinamik olarak nasıl değiştirileceğini öğrenin.
Bu eğitici, raporlarınızdaki dinamik veri görselleştirmelerinden içgörüler oluşturmak için Çok Kanallı Dinamik Görseller tekniğinin nasıl kullanılacağını kapsayacaktır.
Bu yazıda, filtre bağlamından geçeceğim. Filtre bağlamı, herhangi bir LuckyTemplates kullanıcısının başlangıçta öğrenmesi gereken en önemli konulardan biridir.
LuckyTemplates Apps çevrimiçi hizmetinin çeşitli kaynaklardan oluşturulan farklı raporların ve içgörülerin yönetilmesine nasıl yardımcı olabileceğini göstermek istiyorum.
LuckyTemplates'da ölçü dallandırma ve DAX formüllerini birleştirme gibi teknikleri kullanarak kâr marjı değişikliklerinizi nasıl hesaplayacağınızı öğrenin.
Bu öğreticide, veri önbelleklerini gerçekleştirme fikirleri ve bunların DAX'ın sonuç sağlama performansını nasıl etkilediği tartışılacaktır.