LuckyTemplates prognosemodell ved bruk av Python

Prognoser er et viktig aspekt ved dataanalyse, siden det lar bedrifter ta informerte beslutninger om fremtiden basert på historiske data. En effektiv måte å utføre denne oppgaven på er å bruke LuckyTemplates prognosemodell ved å bruke Python. LuckyTemplates er et populært business intelligence-verktøy som lar brukere lage interaktive datavisualiseringer, rapporter og dashbord. 

I denne opplæringen lærer vi hvordan du lager en bruker Python. Vi vil bruke Python i Power Query for å lage prognoseverdier og bringe dem inn i visualiseringene til LuckyTemplates. Du kan se hele videoen av denne opplæringen nederst på denne bloggen .

Innholdsfortegnelse

• LuckyTemplates Prognosemodelleksempler
• LuckyTemplates prognosemodell: kontroller og begrensninger 
• Trendanalyse for prognosemodeller for Python og LuckyTemplates
• Bruker Python-kode for prognoser
  • Trening av modellen
  • Additive og multiplikative trender
• LuckyTemplates-implementering 
• Gjennomgang av Python-skriptet 
• Konklusjon

LuckyTemplates Prognosemodelleksempler

Nedenfor er noen LuckyTemplates-prognosemodeller for å vise deg hva vi ønsker å oppnå i denne opplæringen. Dette er faktiske sidevisninger som avslører ukentlig sesongvariasjon og noen sesongmessige topper i dataene. 

Mot slutten kan vi se den økende trenden i dataene våre som vi ønsker å fange opp i vår modell.

LuckyTemplates prognosemodell: kontroller og begrensninger 

Nedenfor er modellen for 30-dagers prognosen laget med LuckyTemplates. Den har samme sesongvariasjon som de faktiske sidevisningene, og i LuckyTemplates har vi også muligheter til å kontrollere noen av dataene.

Vi kan gjøre det ved å åpne Analytics i ruten Visualiseringer . Hold deretter musepekeren ned til Prognose > Alternativer . 

Sett 30 dager i prognoselengden og sett konfidensintervallet til 95 %. Systemet kan forutsi sesongvariasjonen med standardinnstillingen, men vi kan også legge til 7 for å representere ukentlig sesongvariasjon. 

Klikk på Bruk og vi skal få en modell som ligner på den ovenfor.

Trendanalyse for prognosemodeller for Python og LuckyTemplates

LuckyTemplates gjør en god jobb med å modellere sesongvariasjoner. Trendlinjen fungerer imidlertid ikke på samme måte.

For å starte , slå på trendlinjen i ruten Visualiseringer .

Når vi først er på, kan vi se en oppadgående trend. Vi bør være i stand til å legge til den trenden i dataene våre som deretter vil påvirke prognosen. 

Det kan vi gjøre med vår modell. Som vi ser i modellen nedenfor, tok trenden opp sesongmessighet i stedet for å holde seg flat.

Bruker Python-kode for prognoser

Å bruke for å nå målet vårt er ikke en vanskelig oppgave. For å starte, åpne Jupyter Notebook . 

Ta med dataene vi trenger: pandaer, matplotlib.pyplot, seaborn og ExponentialSmoothing . 

Det er andre modeller som sannsynligvis vil være mer nøyaktige, men de vil kreve mer optimalisering. 

Vi vil også ta inn seasonal_decompose for å se sesongvariasjonen og trenden. Deretter bruker du webprognosen web_forecast.xlsx for å lese dataene våre. 

Deretter bytter du datoen ved å bruke koden nedenfor. 

Sett indeksen til datasettet vårt til Date og kall det ts. Still deretter inn frekvensen til datasettet. Vi vet at vi har daglige data, så la oss sette frekvensen som d som i dag og lagre den som ts . 

Til slutt plotter du med ts.plot ( ).

Etter å ha plottet, bør vi se nøyaktig hva vi så i LuckyTemplates-notisboken vår.  

For å få et bedre inntrykk av komponentene i vår faktiske trend, kan vi bruke følgende kode.

Den første modellen er vår Actuals . Ved siden av er trendlinjen som vi plukker opp med seasonal_decompose(ts).plot(); .

Dette er trenden vi må legge til modellen. 

Vi har også sesongvariasjonen som vi kan legge til både LuckyTemplates og Exponential Smoothing-modellen. 

Vår siste modell viser restene eller de som er uventede i dataene som er representert med poeng. Legg merke til at når vi beveger oss mot slutten av dataene våre, kan vi se at det skjer mange flere hendelser. 

Trening av modellen

Med modellen vår må vi trene opp dataene våre, som vanligvis etterfølges av testing. I dette tilfellet vil vi imidlertid ikke teste modellen vår fordi vi bare bruker det modellen gir oss. 

Det er 298 dager i datasettet vårt, men i dette eksemplet trenger vi bare modellen for å huske 290 av disse dagene. Dette er fordi vi ikke ønsker å gi modellen all data som den ikke kan lære og til slutt bare vil kopiere. 

I utgangspunktet har vi dette treningssettet på 290 dager av 298. 

Deretter bruker du ExponentialSmoothing for modellen vår. Send deretter inn treningsdatasettet som er 290 dager, og bruk add (additiv) for trenden vår, mul (multiplikativ) for sesongen vår og 7 for sesongperiodene. Pass deretter disse dataene inn i modellen.

Additive og multiplikative trender

La oss få en rask oversikt over hva de additive og multiplikative trendene er.

I en additiv modell øker trenden sakte, mens den i den multiplikative modellen øker eksponentielt og det er ganske mye som skjer også. Vi kan bruke en av de to for å få en annen type prediksjon. 

Vi kan leke med additive og multiplikative metoder for å endre prediksjonen vår. Våre nåværende data vokser tydeligvis, så det er viktig å bruke additiv, men vi kan også prøve å bruke multiplikativ for å se hva vi får. 

Endre for eksempel sesongvariasjonen fra mul til å legge til . 

Kjør dataene og observer hvordan prediksjonen endres.

På samme måte kan vi endre trenden fra add til mul . 

Dette burde gi en multiplikativ trend som er litt større. 

Etter å ha prøvd de mulige kombinasjonene, ble det funnet å bruke mul for både trend og sesongmessig å gi det BESTE resultatet. 

Når vi har denne prognosemodellen, kan vi bruke den til å varsle 30 dager i forveien. 

LuckyTemplates-implementering 

La oss lage den samme LuckyTemplates-prognosemodellen i LuckyTemplates-notisboken vår.

I vår LuckyTemplates- prognose går du til Visualiseringer > Analytics > Alternativer. Legg merke til hvordan vi setter prognoselengden til 30 dager. 

La oss se hvordan vi kan implementere den koden veldig enkelt i Power Query. 

Klikk Transformer data. 

I Power Query Editor, ta med dataene og Legg til egendefinert kolonne for kategorien . Bruk faktiske tall slik at vi senere kan dele opp faktiske tall fra prognoser. 

Hvis vi går til prognosespørringen , vil vi se et mindre datasett tilsvarende 30 dager inn i fremtiden.

Gjennomgang av Python-skriptet 

Python-skriptet vårt inneholder lignende informasjon. Først henter vi inn et datasett, lagrer det som df , endrer Date til datetime , og setter frekvensen til d (dag). 

Vi tar også inn vår ExponentialSmoothing- modell fra holtwinters . Vi tar de første 290 dagene som vårt treningssett og legger deretter disse dataene til modellen. 

I vår ExponentialSmoothing- modell legger vi til treningsdataene og setter både trender og sesongmessige til mul (multiplikativ) og sesongperioder til 7 dager. Da passer vi modellen vår.

Deretter får vi en ny dataramme eller tabell med prognosen vår. Vi tilbakestiller indeksen og sørger for at de heter Dato og Sidevisninger for å samsvare med det vi har i våre opprinnelige data. Til slutt klikker vi OK. 

I utdataene får vi alle disse variablene i dataene. 

Gå til Applied Steps og klikk Lagt til kolonne . Dette åpner en tabell med våre anslåtte verdier og den egendefinerte kolonnen som har prognose som kategori. 

I den neste spørringen legger vi ganske enkelt til de to datasettene der vi har faktiske og prognoser . 

Klikk Lukk og bruk. 

Modellen endret seg litt da vi brukte den multiplikative metoden. 

Sammenlignet med LuckyTemplates kan vi enkelt lage en prognose og optimere modellen litt mer ved å endre trendens additive natur og sesongvariasjoner i . Vi kan på samme måte legge til disse spådommene til vårt faktiske datasett. 

Konklusjon

I denne bloggen gikk vi gjennom prosessen med å lage en prognosemodell i LuckyTemplates ved å bruke . Ved å integrere i LuckyTemplates kan vi få tilgang til et bredt spekter av dataanalyse- og modelleringsverktøy, som lar oss lage mer avanserte prognoser. 

Med ferdighetene du har lært i denne opplæringen, kan du nå lage dine egne prognosemodeller i LuckyTemplates og bruke dem til å planlegge fremtiden med selvtillit. Husk at prognoser er en iterativ prosess, så ikke nøl med å eksperimentere med forskjellige algoritmer og teknikker for å finne den som fungerer best for dataene dine, og sjekk og oppdater modellen kontinuerlig etter hvert som nye data kommer inn.

Beste ønsker,

Gaelim Holland