Dátumtáblázat létrehozása a LuckyTemplates alkalmazásban
Tudja meg, miért fontos egy dedikált dátumtáblázat a LuckyTemplatesben, és ismerje meg ennek leggyorsabb és leghatékonyabb módját.
LuckyTemplates előrejelzési modell Python használatával
Az előrejelzés fontos szempont az adatelemzésben, mivel lehetővé teszi a vállalkozások számára, hogy a múltbeli adatok alapján megalapozott döntéseket hozzanak a jövőről. A feladat végrehajtásának egyik hatékony módja a LuckyTemplates előrejelzési modell Python használatával. A LuckyTemplates egy népszerű üzleti intelligencia eszköz, amely lehetővé teszi a felhasználók számára interaktív adatvizualizációk, jelentések és irányítópultok létrehozását.
Ebben az oktatóanyagban megtanuljuk, hogyan lehet Python használatával létrehozni. A Power Queryben Pythont használunk az előrejelzett értékek létrehozására, és ezeknek a LuckyTemplates vizualizációiba való beépítésére. Az oktatóanyag teljes videóját a blog alján tekintheti meg .
Tartalomjegyzék
- LuckyTemplates előrejelzési modell minták
- LuckyTemplates előrejelzési modell: vezérlők és korlátozások
- Trendelemzés Python és LuckyTemplates előrejelző modellekhez
- Python kód használata előrejelzéshez
- LuckyTemplates megvalósítás
- A Python Script áttekintése
- Következtetés
LuckyTemplates előrejelzési modell minták
Az alábbiakban bemutatunk néhány LuckyTemplates előrejelzési modellt, amelyek megmutatják, mit szeretnénk elérni ebben az oktatóanyagban. Ezek tényleges oldalmegtekintések, amelyek a heti szezonalitást és néhány szezonális csúcsot árulnak el az adatokban.
A végéhez közeledve láthatjuk az adatainkban a növekvő tendenciát, amelyet modellünkben szeretnénk átvenni.
LuckyTemplates előrejelzési modell: vezérlők és korlátozások
Az alábbiakban a LuckyTemplates segítségével készített 30 napos előrejelzés modellje látható. Ugyanaz a szezonalitás, mint a tényleges oldalmegtekintések, és a LuckyTemplatesben lehetőségünk van bizonyos adatok szabályozására is.
Ezt úgy tehetjük meg, hogy a Vizualizációk panelen megnyitjuk az Analytics elemet . Ezután vigye az egérmutatót az Előrejelzés > Beállítások elemre .
Tegyen 30 napot az előrejelzés hosszába , és állítsa be a bizalmi intervallumot 95%-ra. A rendszer az alapértelmezett beállítással képes előre jelezni a szezonalitást , de hozzáadhatunk 7-et is , hogy a heti szezonalitást reprezentálja.
Kattintson az Alkalmaz gombra , és a fentihez hasonló modellt kell kapnunk.
Trendelemzés Python és LuckyTemplates előrejelző modellekhez
A LuckyTemplates nagyszerű munkát végez a szezonalitás modellezésében. A trendvonala azonban nem teljesít ugyanígy.
A elindításához kapcsolja be a Trend sort a Vizualizációk panelen.
Egyszer csak emelkedő tendenciát láthatunk. Ezt a tendenciát hozzá kell tudnunk adni az adatainkhoz, ami aztán befolyásolja az előrejelzést.
Ezt megtehetjük a modellünkkel. Ahogy az alábbi modellben is látjuk, a trend a szezonalitást fokozta, ahelyett, hogy változatlan maradt volna.
Python kód használata előrejelzéshez
A célunk elérése érdekében történő felhasználás nem nehéz feladat. A kezdéshez nyissa meg a Jupyter Notebookot .
Hozza be a szükséges adatokat: pandák, matplotlib.pyplot, seaborn és az ExponentialSmoothing .
Vannak más modellek, amelyek valószínűleg pontosabbak lesznek, de ezek több optimalizálást igényelnek.
A szezonalitás és a tendencia megtekintéséhez behozzuk a szezonális_dekompozíciót is. Ezután használja a web_forecast.xlsx web-előrejelzést adataink olvasásához.
Ezután módosítsa a dátumot az alábbi kóddal.
Állítsa adatkészletünk indexét Dátumra, és nevezze ts-nek. Ezután állítsa be az adatkészlet gyakoriságát. Tudjuk, hogy napi adataink vannak, ezért állítsuk be a gyakoriságot d -re , mint napra, és mentsük el ts- ként .
Végül ábrázolja a ts.plot ( ) segítségével.
Az ábrázolás után pontosan azt kell látnunk, amit a LuckyTemplates jegyzetfüzetünkben láttunk.
Ahhoz, hogy jobb képet kapjunk aktuális trendünk összetevőiről, használhatjuk a következő kódot.
Az első modell a mi aktuális modellünk . Mellette van a trendvonal, amelyet a seasonal_decompose(ts).plot(); .
Ez az a tendencia, amelyet hozzá kell adnunk a modellhez.
Megvan a szezonalitás is , amelyet hozzáadhatunk a LuckyTemplates és az Exponenciális simítás modellhez.
Utolsó modellünk a maradékokat vagy a váratlanokat mutatja az adatokban, amelyeket pontok ábrázolnak. Figyeljük meg, hogy az adatok vége felé haladva láthatjuk, hogy sokkal több esemény történik.
A modell képzése
Modellünkkel meg kell tanítanunk adatainkat, amit általában tesztelés követ. Ebben az esetben azonban nem teszteljük a modellünket, mert csak azt használjuk, amit a modell ad nekünk.
Az adatkészletünkben 298 nap van , de ebben a példában csak 290 napra van szükségünk a modellre. Ennek az az oka, hogy nem akarjuk megadni a modellnek mindazt az adatot, amelyet nem tud megtanulni, és végül csak másolni fogja.
Alapvetően ez a képzési készletünk 290 nap a 298-ból.
Ezután használja az ExponentialSmoothing-ot a modellünkhöz. Ezután adja meg az edzési adatkészletet, amely 290 nap, és használja az add (additív) értéket a trendünkhöz, a mul (mul (multiplikatív)) értéket a szezonunkhoz, és a 7-et a szezonális időszakokhoz. Ezután illessze be ezeket az adatokat a modellbe.
Additív és multiplikatív trendek
Vegyünk egy gyors áttekintést az additív és multiplikatív trendekről.
Az additív modellben a trend lassan hozzáadódik, míg a multiplikatív modellben exponenciálisan növekszik, és elég sok minden történik. A kettő közül bármelyiket használhatjuk, hogy eltérő típusú előrejelzést kapjunk.
Előrejelzésünket módosíthatjuk az additív és multiplikatív módszerekkel. Jelenlegi adataink egyértelműen gyarapodnak, ezért elengedhetetlen az additív használata, de megpróbálhatjuk a szorzót is, hogy megnézzük, mit kapunk.
Például módosítsa a szezonalitást mulról add értékre .
Futtassa az adatokat, és figyelje meg, hogyan változik az előrejelzés.
Hasonlóképpen módosíthatjuk a trendet add -ról mul -ra .
Ennek egy kicsit nagyobb multiplikatív trendet kell eredményeznie.
A lehetséges kombinációk kipróbálása után a mult mind a trend, mind a szezonalitás esetén a LEGJOBB eredményt hozta .
Ha megvan ez az előrejelzési modell, akkor 30 napos előrejelzéshez használhatjuk.
LuckyTemplates megvalósítás
Hozzuk létre ugyanazt a LuckyTemplates előrejelzési modellt a LuckyTemplates jegyzetfüzetünkben.
A LuckyTemplates előrejelzésünkben lépjen a Vizualizációk > Elemzés > Beállítások menüpontra . Figyelje meg, hogyan állítjuk be az előrejelzés hosszát 30 napra .
Nézzük meg, hogyan tudjuk ezt a kódot nagyon egyszerűen megvalósítani a Power Queryben.
Kattintson az Adatok átalakítása elemre.
A Power Query szerkesztőben adja meg az adatokat és az Egyéni hozzáadása oszlopot a kategória számára . Használja a tényleges adatokat , hogy később szétválaszthassuk az aktuális adatokat az előrejelzésekből.
Ha az előrejelzések lekérdezésére lépünk , egy kisebb adatkészletet fogunk látni, amely 30 napnak felel meg a jövőben.
A Python Script áttekintése
A Python-szkriptünk hasonló információkat tartalmaz. Először behozunk egy adatkészletet, elmentjük df néven , módosítjuk a Dátumot datetime értékre , és a gyakoriságot d- re (nap) állítjuk.
A holtwinters ExponentialSmoothing modellünket is behozzuk . Az első 290 napot vesszük képzési halmazunknak, majd hozzáadjuk ezeket az adatokat a modellhez.
ExponentialSmoothing modellünkben hozzáadjuk a képzési adatokat, és mind a trendeket, mind a szezonális értékeket mul- ra (multiplikatívra), a szezonális időszakokat pedig 7 napra állítjuk. Ezután illesztjük a modellünket.
Ezután egy új adatkeretet vagy táblázatot kapunk az előrejelzésünkkel. Alaphelyzetbe állítjuk az indexet, és gondoskodunk arról, hogy a Dátum és Oldalmegtekintések neve megfeleljen az eredeti adatainkban szereplőnek. Végül kattintson az OK gombra.
A kimenetben mindezeket a változókat megadjuk az adatokon belül.
Lépjen az Alkalmazott lépések elemre , és kattintson a Hozzáadott oszlop elemre . Ezzel megnyílik egy táblázat az előre jelzett értékeinkkel és az egyéni oszloppal, amelynek kategóriája az előrejelzés .
A következő lekérdezésben egyszerűen hozzáfűzzük a két adatkészletet, ahol a tényleges adatok és az előrejelzések vannak .
Kattintson a Bezárás és Alkalmaz gombra.
A modell kissé megváltozott, amikor a multiplikatív módszert alkalmaztuk.
A LuckyTemplates-hez képest könnyen készíthetünk előrejelzést és még egy kicsit optimalizálhatjuk a modellt, ha megváltoztatjuk a trend additív jellegét és a szezonalitást. Hasonlóképpen hozzáadhatjuk ezeket az előrejelzéseket a tényleges adatkészletünkhöz.
Következtetés
Ebben a blogban végigjártuk az előrejelzési modell létrehozásának folyamatát a LuckyTemplates alkalmazásban a segítségével. A LuckyTemplatesbe integrálva adatelemző és modellező eszközök széles skáláját érhetjük el, amivel fejlettebb előrejelzéseket készíthetünk.
Az ebben az oktatóanyagban elsajátított készségekkel most létrehozhatja saját előrejelzési modelljeit a LuckyTemplates alkalmazásban, és magabiztosan használhatja őket a jövő megtervezéséhez. Ne feledje, hogy az előrejelzés egy iteratív folyamat, ezért ne habozzon kísérletezni különböző algoritmusokkal és technikákkal, hogy megtalálja az adatok számára legmegfelelőbbet, és folyamatosan ellenőrizze és frissítse a modellt, amint új adatok érkeznek.
Minden jót,
Gaelim Holland
LuckyTemplates mobil jelentéskészítési tippek és technikák
Ez a rövid oktatóanyag kiemeli a LuckyTemplates mobil jelentési funkcióját. Megmutatom, hogyan készíthet hatékony jelentéseket mobileszközökön.
Professzionális szolgáltatáselemzési jelentések LuckyTemplatesben
Ebben a LuckyTemplates bemutatóban olyan jelentéseket tekintünk át, amelyek professzionális szolgáltatáselemzést mutatnak be egy olyan cégtől, amely több szerződéssel és ügyfél-elkötelezettséggel rendelkezik.
Microsoft Power Platform frissítések | Microsoft Ignite 2021
Tekintse át a Power Apps és a Power Automate legfontosabb frissítéseit, valamint azok előnyeit és következményeit a Microsoft Power Platform számára.
Gyakori SQL-függvények: Áttekintés
Fedezzen fel néhány gyakori SQL-függvényt, amelyeket használhatunk, például a karakterláncot, a dátumot és néhány speciális függvényt az adatok feldolgozásához vagy manipulálásához.
LuckyTemplates sablonok létrehozása: útmutató és tippek
Ebből az oktatóanyagból megtudhatja, hogyan hozhatja létre a tökéletes LuckyTemplates sablont, amely az Ön igényeinek és preferenciáinak megfelelően van konfigurálva.
Mezőparaméterek és kis többszörösek a LuckyTemplatesben
Ebben a blogban bemutatjuk, hogyan lehet a mezőparamétereket kis többszörösekkel rétegezni, hogy hihetetlenül hasznos betekintést és látványelemeket hozzon létre.
LuckyTemplates rangsor és egyéni csoportosítás
Ebből a blogból megtudhatja, hogyan használhatja a LuckyTemplates rangsorolási és egyéni csoportosítási funkcióit a mintaadatok szegmentálására és kritériumok szerinti rangsorolására.
A LuckyTemplatesben csak egy meghatározott dátumig összesített összeg látható
Ebben az oktatóanyagban egy konkrét technikát fogok bemutatni, hogyan jelenítheti meg a kumulatív összeget csak egy adott dátumig a LuckyTemplates vizualizációjában.
Bullet Charts: speciális egyéni látványelemek a LuckyTemplates számára
Ismerje meg, hogyan hozhat létre és testreszabhat Bullet diagramokat a LuckyTemplates alkalmazásban, amelyeket főként a teljesítmény mérésére használnak a célhoz vagy az előző évekhez képest.