Lesprévisionssont une manipulation des résultats s’appuyant sur les schémas de vos données pour prédire les résultats futurs.
Les prévisions utilisent les valeurs des champs de date avec au moins deux cycles de données. Un cycle de données est une période décomposée en plusieurs valeurs. Par exemple, une année est décomposée en mois ou en semaines. En mode automatique, les prévisions reconnaissent chaque année comme un cycle, il vous faut donc deux années de données pour générer une prévision.
Cet article aborde les sujets suivants :
Principes de base des prévisions
Utilisez cette procédure pour apprendre comment ajouter une prévision à votre rapport.
倒ajouterune prévision à votre rapport
- Dans le créateur de rapports, créez un rapport temporel. Vous pouvez par exemple ajouterCOUNT(Tickets)au voletMesuresetTicket créé - Annéeau voletColonnes.
- Cliquez sur l’icône Manipulation des résultats (
), puis surPrévision. - Dans le menuPrévision, cochezCalculer une prévision sur le résultat.
Les options de configuration des prévisions s’affichent.
- Chemindétermine si la prévision est basée sur les colonnes ou les lignes de votre graphique. Quel que soit le chemin que vous choisissez, il doit contenir un attribut basé sur la date. Le chemin contient toujours l’attribut basé sur la date pour votre prévision.
- SousMéthode, choisissezTendance additive et saisonnalité multiplicativeouTendance additive et saisonnalité additive.
Pour en savoir plus au sujet des méthodes de prévision disponibles, consultezFonctionnement des >ci-dessous。
- SousValeurs à prédire, choisissezl’une des options suivantes :
- Auto :laissez Explore calculer automatiquement le nombre optimal de valeurs à prédire.
- Personnalisée: spécifiez le nombre de valeurs à prédire. Par exemple, si votre attribut est basé sur l’année, spécifiez le nombre d’années auxquelles vous voulez appliquer les prévisions.
- SousValeurs par cycle, vous pouvez configurer le nombre de points de données à inclure à chaque cycle. Par exemple, pour 12 mois de données, vous pouvez sélectionner 6 valeurs par cycle. Si vous sélectionnezAuto, Explore calcule le nombre optimal de valeurs à utiliser.
- Quand vous avez terminé, cliquez surAppliquer.
- Dans le menu Visualisation (
), choisissez un graphique à barres, à colonnes, à aires, à lignes ou sparkline. Vous ne pouvez pas afficher les résultats des prévisions avec les autres types de graphiques.
La partie Prévisions d’un graphique s’affiche dans un style différent. Par exemple, la partie Prévisions d’un graphique en lignes s’affiche sous la forme d’une ligne pointillée, comme ci-dessous :
Par exemple, si votre rapport contient l’attributTicket créé - Moiset si vous recueillez des données depuis plus d’un an, les valeurs de ce champ sont agrégées et le message d’erreur s’affiche. Ajoutez aussi l’attributTicket créé - Annéepour résoudre ce problème.
Fonctionnement des >(avancé)
La méthode de prévisions qu’utilise Explore est fondée sur le modèleHolt Winters, une méthode delissage exponentiel triplequi utilise le niveau, la tendance et la saisonnalité d’une série temporelle.
Explore utilise deux sous-modèles adaptés à la plupart des utilisations et prennent aussi en compte les écarts saisonniers.
La méthode AA
Le modèle AA (tendance additive et saisonnalité additive) est le modèle par défaut car c’est celui qui est le plus utilisé et qui produit les résultats les plus réalistes.
Les valeurs initiales sont traitées avec la formule ci-dessous :
Nous pouvons ensuite appliquer le modèle AA Holt Winters :
La méthode AM
Le modèle AM (tendance additive et saisonnalité multiplicative) est, dans certains cas, une tendance temporelle.
Les valeurs initiales sont traitées avec la formule ci-dessous :
Nous pouvons ensuite appliquer le modèle AM Holt Winters :
Périodes par cycle
Dans le calcul, nous utilisons aussi la valeur Périodes par cycle. Elle est utilisée pour déterminer la longueur d’une saison, nécessaire au traitement des indices saisonniers. Dans les formules ci-dessus, cette valeur est appelée h.
Paramètres de lissage
Trois autres paramètres doivent être définis avant le traitement des prévisions. Elles correspondent aux paramètres de lissage, appelés α pour le niveau, β pour la tendance et γ pour la saisonnalité. En bref, elles correspondent à un rapport d’importance attribué aux premières et dernières valeurs de la série temporelle et auront une influence sur les résultats de chaque période. En voici un exemple :
« Les valeurs estimées d’alpha, bêta et gamma sont 0,41, 0,00 et 0,96, respectivement. La valeur d’alpha (0,41) est relativement faible, ce qui indique que l’estimation du niveau au point temporel actuel est fondée sur des observations récentes et des observations plus anciennes. La valeur de bêta est 0,00, ce qui indique que l’estimation de la pente b de la tendance n’est pas mise à jour dans la série temporelle et qu’elle est en fait configurée sur sa valeur initiale. C’est logique d’un point de vue intuitif car si le niveau change considérablement dans la série temporelle, la pente b de la tendance reste plus ou moins inchangée. Par contre, la valeur de gamma (0,96) est élevée, ce qui indique que l’estimation de la saisonnalité au point temporel actuel est uniquement fondée sur des observations extrêmement récentes. »
Il n’existe pas d’algorithme officiel permettant de trouver les meilleures valeurs pour ces trois paramètres d’optimisation. Cela devient un problème NP-Complet, où le problème d’optimisation consiste à minimiser l’erreur quadratique moyenne des résultats prévus, avec 0≤α≤1, 0≤β≤1, 0≤γ≤1.
Explore a donc son propre algorithme permettant de trouver les trois meilleurs paramètres pour une période linéaire, avec une précision de 0,01.
0 Commentaires
Vous devezvous connecterpour laisser un commentaire.