LuckyTemplates prognosemodel ved hjælp af Python

Forecasting er et vigtigt aspekt af dataanalyse, da det giver virksomheder mulighed for at træffe informerede beslutninger om fremtiden baseret på historiske data. En effektiv måde at udføre denne opgave på er ved at bruge LuckyTemplates prognosemodel ved hjælp af Python. LuckyTemplates er et populært business intelligence-værktøj, der giver brugerne mulighed for at skabe interaktive datavisualiseringer, rapporter og dashboards. 

I denne tutorial lærer vi, hvordan du opretter en ved hjælp af Python. Vi vil bruge Python i Power Query til at skabe prognoseværdier og bringe dem ind i visualiseringerne af LuckyTemplates. Du kan se den fulde video af denne tutorial nederst på denne blog .

Indholdsfortegnelse

• LuckyTemplates Forecasting Model Samples
• LuckyTemplates prognosemodel: kontrol og begrænsninger 
• Trendanalyse for Python- og LuckyTemplates-prognosemodeller
• Brug af Python-kode til prognoser
  • Træning af modellen
  • Additive og multiplikative tendenser
• LuckyTemplates implementering 
• Gennemgang af Python-scriptet 
• Konklusion

LuckyTemplates Forecasting Model Samples

Nedenfor er nogle LuckyTemplates-prognosemodeller for at vise dig, hvad vi ønsker at opnå i denne vejledning. Disse er faktiske sidevisninger, der afslører ugentlig sæsonudsving og nogle sæsonbestemte toppe i dataene. 

Mod slutningen kan vi se den stigende tendens i vores data, som vi ønsker at samle op på i vores model.

LuckyTemplates prognosemodel: kontrol og begrænsninger 

Nedenfor er modellen for 30-dages prognosen oprettet ved hjælp af LuckyTemplates. Det har samme sæsonbestemte som de faktiske sidevisninger, og i LuckyTemplates har vi også muligheder for at kontrollere nogle af dataene.

Det kan vi gøre ved at åbne Analytics i ruden Visualiseringer . Hold derefter markøren ned til Prognose > Indstillinger . 

Indsæt 30 dage i prognoselængden og indstil konfidensintervallet til 95 %. Systemet kan forudsige sæsonbestemt med dens standardindstilling, men vi kan også tilføje 7 for at repræsentere ugentlig sæsonudsving. 

Klik på Anvend , og vi skulle få en model, der ligner den ovenfor.

Trendanalyse for Python- og LuckyTemplates-prognosemodeller

LuckyTemplates gør et godt stykke arbejde med at modellere sæsonbestemt. Dens trendlinje udfører dog ikke det samme.

For at starte skal du aktivere trendlinjen i ruden Visualiseringer .

Når først det er på, kan vi se en opadgående tendens. Vi burde være i stand til at tilføje den tendens i vores data, som derefter vil påvirke prognosen. 

Det kan vi med vores model. Som vi ser i modellen nedenfor, tog trenden sig sæsonbestemt op i stedet for at forblive flad.

Brug af Python-kode til prognoser

At bruge til at nå vores mål er ikke en svær opgave. For at starte skal du åbne din Jupyter Notebook . 

Inddrag de data, vi har brug for: pandaer, matplotlib.pyplot, seaborn og ExponentialSmoothing . 

Der er andre modeller, der nok vil være mere præcise, men de vil kræve mere optimering. 

Vi vil også bringe seasonal_decompose ind for at se sæsonbestemt og trend. Brug derefter webprognosen web_forecast.xlsx til at læse vores data. 

Skift derefter datoen ved hjælp af koden nedenfor. 

Indstil indekset for vores datasæt til Dato og kald det ts. Indstil derefter datasættets frekvens. Vi ved, at vi har daglige data, så lad os indstille frekvensen som d som i dag og gemme den som ts . 

Plot til sidst ved hjælp af ts.plot ( ).

Efter at have plottet, skulle vi se præcis, hvad vi så i vores LuckyTemplates-notesbog.  

For at få en bedre idé om komponenterne i vores aktuelle trend, kan vi bruge følgende kode.

Den første model er vores Actuals . Ved siden af ​​er trendlinjen, som vi samler op med seasonal_decompose(ts).plot(); .

Det er den tendens, vi skal tilføje til modellen. 

Vi har også den sæsonvariation , som vi kan tilføje til både LuckyTemplates og Exponential Smoothing-modellen. 

Vores sidste model viser resterne eller dem, der er uventede i dataene, som er repræsenteret ved point. Bemærk, at når vi bevæger os mod slutningen af ​​vores data, kan vi se, at der sker mange flere begivenheder. 

Træning af modellen

Med vores model skal vi træne vores data som typisk efterfølges af test. Men i dette tilfælde vil vi ikke teste vores model, fordi vi bare vil bruge det, som modellen giver os. 

Der er 298 dage i vores datasæt, men i dette eksempel behøver vi kun modellen til at huske 290 af disse dage. Dette skyldes, at vi ikke ønsker at give modellen alle de data, som den ikke kan lære og til sidst bare vil kopiere. 

Grundlæggende har vi dette træningssæt på 290 dage ud af 298. 

Brug derefter ExponentialSmoothing til vores model. Indsend derefter træningsdatasættet, som er 290 dage, og brug add (additiv) for vores trend, mul (multiplikativ) for vores sæson og 7 for sæsonperioderne. Tilpas derefter disse data i modellen.

Additive og multiplikative tendenser

Lad os få et hurtigt overblik over, hvad de additive og multiplikative tendenser er.

I en additiv model øges tendensen langsomt, hvorimod den i den multiplikative model øges eksponentielt, og der sker også en hel del. Vi kan bruge en af ​​de to til at få en anden type forudsigelse. 

Vi kan lege med additive og multiplikative metoder til at ændre vores forudsigelse. Vores nuværende data vokser tydeligvis, så det er bydende nødvendigt at bruge additiv, men vi kan også prøve at bruge multiplikativ for at se, hvad vi får. 

Skift f.eks. sæsonbestemt fra mul til tilføje . 

Kør dataene og observer, hvordan forudsigelsen ændrer sig.

På samme måde kan vi ændre tendensen fra add til mul . 

Dette burde give en multiplikativ tendens, der er en lille smule større. 

Efter at have prøvet de mulige kombinationer, viste det sig at bruge mul til både trend og sæsonbestemt at give det BEDSTE resultat. 

Når vi har denne prognosemodel, kan vi bruge den til at prognose 30 dage i forvejen. 

LuckyTemplates implementering 

Lad os skabe den samme LuckyTemplates-prognosemodel i vores LuckyTemplates-notesbog.

I vores LuckyTemplates Forecast skal du gå til Visualiseringer > Analytics > Indstillinger. Bemærk, hvordan vi indstiller prognoselængden til 30 dage. 

Lad os se, hvordan vi kan implementere den kode meget nemt i Power Query. 

Klik på Transformer data. 

I Power Query Editor skal du hente dataene og Tilføj tilpasset kolonne for kategorien . Brug faktiske tal , så vi senere kan opdele faktiske tal fra prognoser. 

Hvis vi går til prognoseforespørgslen , vil vi se et mindre datasæt svarende til 30 dage ud i fremtiden.

Gennemgang af Python-scriptet 

Vores Python Script indeholder lignende oplysninger. Først henter vi et datasæt, gemmer det som df , ændrer Date til datetime og indstiller frekvensen til d (dag). 

Vi bringer også vores ExponentialSmoothing model fra holtwinters . Vi tager de første 290 dage som vores træningssæt og tilføjer derefter disse data til modellen. 

I vores ExponentialSmoothing- model tilføjer vi træningsdataene og sætter både trends og sæsonbestemt til mul (multiplikativ) og sæsonperioderne til 7 dage. Så passer vi vores model.

Dernæst får vi en ny dataramme eller tabel med vores prognose. Vi nulstiller indekset og sikrer, at de hedder Dato og Sidevisninger , så de matcher det, vi har i vores originale data. Til sidst klikker vi OK. 

I outputtet får vi alle disse variabler i dataene. 

Gå til Anvendte trin , og klik på Tilføjet kolonne . Dette åbner en tabel med vores forudsagte værdier og den tilpassede kolonne, som har prognose som kategori. 

I den næste forespørgsel tilføjer vi blot de to datasæt, hvor vi har faktiske tal og prognoser . 

Klik på Luk og anvend. 

Modellen ændrede sig lidt, da vi anvendte den multiplikative metode. 

Sammenlignet med LuckyTemplates kan vi nemt lave en forecast og optimere modellen en lille smule mere ved at ændre trendens additive karakter og sæsonbestemt i . Vi kan ligeledes tilføje disse forudsigelser til vores faktiske datasæt. 

Konklusion

I denne blog gik vi gennem processen med at skabe en prognosemodel i LuckyTemplates ved hjælp af . Ved at integrere i LuckyTemplates kan vi få adgang til en bred vifte af dataanalyse- og modelleringsværktøjer, som giver os mulighed for at skabe mere avancerede prognoser. 

Med de færdigheder, du har lært i denne tutorial, kan du nu oprette dine egne prognosemodeller i LuckyTemplates og bruge dem til at planlægge fremtiden med tillid. Husk, at prognoser er en iterativ proces, så tøv ikke med at eksperimentere med forskellige algoritmer og teknikker for at finde den, der fungerer bedst til dine data, og tjek og opdatere løbende din model, efterhånden som nye data kommer ind.

Alt det bedste,

Gaelim Holland