Previsão de séries temporais

Dicas para perguntas de previsão eficazes

Seja específico Em vez de fazer perguntas amplas como "Qual será o desempenho de nossas vendas?", Pergunte sobre um período de tempo ou uma métrica específica. Por exemplo, "Qual é a projeção de vendas para o próximo trimestre?".
Usar linguagem natural Auto entende o idioma de conversação. Enquadre suas perguntas de maneira natural, como se estivesse perguntando a um colega.
Incluir atributos relevantes Inclua os atributos e as métricas necessários na sua pergunta para garantir que o Auto entende o contexto.
Aproveite o recurso de preenchimento automático Para uma previsão ideal usando o automático, é recomendado escolher as métricas e os atributos nas sugestões de preenchimento automático. Isso garante uma compreensão precisa pelo Auto para uma previsão precisa.
Evitar ambiguidade Faça perguntas claras e inequívocas. Consultas complexas ou complicadas podem levar a respostas imprecisas.
Embora o MicroStrategy permita a previsão de unidades de tempo de nível mais alto em relação a dados de nível inferior usando Automático (como a previsão de custos para o próximo ano com base em atributos mensais), há considerações importantes:

Limite de 100 pontos de previsão Ao solicitar uma previsão de uma unidade de tempo de nível mais alto com dados de nível mais baixo, esteja ciente do limite de 100 pontos da previsão. Por exemplo, se os dados do seu painel estiverem no nível diário e você solicitar uma previsão para o próximo ano, a previsão abrangerá 1 ano de pontos de dados diários, excedendo o limite de 100 pontos.
Falha na previsão para níveis incompatíveis Solicitar uma previsão de dados de nível inferior em relação a dados de nível superior resulta em uma falha de previsão. Por exemplo, se os dados do seu painel estiverem no nível mensal e você solicitar uma previsão para os valores da próxima semana ou do dia seguinte, isso não será possível devido à discrepância no nível de dados.

Práticas recomendadas ao usar o recurso de análise de previsão

Garanta volume de dados suficiente para previsões precisas

Para obter resultados de previsão mais precisos, é importante garantir que o volume de dados seja substancial o suficiente. Nos bastidores, o MicroStrategy detecta automaticamente a sazonalidade dos seus dados. Para obter os melhores resultados de previsão, recomendamos que os dados que você pretende prever tenham pelo menos duas temporadas completas de dados históricos.
Usar dados contínuos de alta qualidade baseados em tempo para previsões

Embora a MicroStrategy realize processamento de dados leve antes da previsão, como eliminar dados duplicados e preencher alguns dados de métrica ausentes, é aconselhável conduzir a previsão em dados contínuos, de alta qualidade e baseados no tempo. Os resultados da previsão podem ser comprometidos se houver uma quantidade significativa de dados de métricas ausentes. É importante observar que as previsões podem falhar ou gerar resultados abaixo do ideal se os atributos contiverem valores NULL ou NaN (Não é um número).

Otimizar interpretação do gráfico de linhas de previsão

Aproveite ao máximo a visualização do gráfico de linhas de previsão!

Passe o mouse para obter insights Passe o cursor sobre os pontos de dados no gráfico de linhas da previsão para ver as dicas de ferramentas. Essas dicas de ferramentas fornecem informações detalhadas sobre os valores previstos, bem como os limites superior e inferior.
Ícone de informações Passe o mouse sobre o ícone de informações para ver informações sobre o modelo subjacente e seus parâmetros.
Expandir para maior clareza Se você precisar de informações mais detalhadas e da capacidade de exibir todo o conjunto de pontos de dados, expanda a visualização. Isso melhora a legibilidade do gráfico.

Solução de problemas

As limitações abordadas abaixo estão associadas ao MicroStrategy ONE Versão da atualização 11. A MicroStrategy está trabalhando ativamente para aprimorar esse recurso, e algumas dessas limitações podem ser abordadas nas próximas versões. Para obter as informações e atualizações mais recentes, incentivamos você a visitar esta página periodicamente. Ao entender e considerar essas limitações, você pode aproveitar ao máximo o recurso de previsão e obter insights significativos.

Requisitos de atributos e métricas Para previsões precisas, use exatamente um atributo e uma métrica em suas perguntas para serem colocadas nos eixos X e Y, respectivamente. Consultas que não atendem a esse requisito podem não gerar previsões ideais.
Quebrar por atributos Quando você incluir uma quebra por no atributo para representar as previsões de múltiplos elementos, como quando você prevê a receita de vendas para os próximos 12 meses para cada funcionário, certifique-se de que o número de elementos (neste caso, funcionários) no atributo seja limitado para melhorar a legibilidade do resultados da análise.
Considerar formulários de atributo O atributo usado para previsão deve ter pelo menos um formulário do tipo data, datahora ou número inteiro. Os dados de carimbo de data e hora não são compatíveis.
Atributos baseados em fuso horário A previsão com atributos inteligentes baseados em fuso horário não é suportada atualmente.
Consolidação e agrupamento Não é possível fazer previsões em relação a elementos de atributos consolidados ou agrupados no momento.
Nível de granularidade As previsões não estão disponíveis para menos de dados de nível diário (como intervalos de hora, minuto ou segundo).
Previsão baseada em inteiro Seja cauteloso ao usar representações de tempo baseadas em número inteiro em suas consultas (como 202101 para janeiro de 2021). O MicroStrategy não converte automaticamente essas representações de tempo para o formato de data/hora, levando a resultados inesperados como 202113 ou 202114.
Máximo de pontos de previsão Você pode prever até 100 pontos de dados futuros. Esse limite ajuda a garantir eficiência e previsões precisas.
Hindcasting e ajuste Atualmente, não há suporte para a previsão em relação a dados existentes. Além disso, o ajuste de hiperparâmetros do algoritmo só pode ser feito via Automático na versão atual. Por exemplo, você pode ajustar o intervalo de confiança solicitando a Automático para fazer a previsão com um nível de confiança específico, mas isso não está disponível na interface de autoria do painel ainda.

Perguntas frequentes

Que método de previsão de série temporal é usado na versão atual?

O método de previsão de série temporal usado em nossa versão atual é chamado suavização exponencial de . Esse método é compatível com vários modelos não amortecidos descritos na OTexts site . Você pode consultar o módulo Python statsmodel (statsmodels.tsa.exponential_smoothing.ets.ETSModel - statsmodels 0.14.0 ) para obter mais detalhes técnicos.

Quais são os hiperparâmetros padrão usados para previsão?

Se não for especificado pelo usuário, os seguintes hiperparâmetros padrão serão utilizados:

valor h Cinco pontos de dados à frente
Modelo da temporada aditivo (ajustável via Auto)
Modelo de tendência aditivo (ajustável via Auto)
Duração da sazonalidade auto (ajustável via Auto)
Intervalo de confiança 95% (ajustável via Auto)

Os valores para os modelos de estação e tendência podem ser definidos como nenhum, multiplicativo ou aditivo via Automático. Você pode prever as vendas para os próximos três meses com um modelo de tendência multiplicativa.

Os hiperparâmetros podem ser ajustados para previsão?

Sim, você pode ajustar hiperparâmetros para previsão por meio de Automático. Embora esses hiperparâmetros não sejam expostos no painel Formatar na criação de painéis, você pode ajustá-los usando Automático.

Que tipos de atributos e métricas são necessários para uma previsão bem-sucedida?

Para prever dados com êxito, você precisa:

Atributo único de um tipo de data ou data/hora, mais uma única métrica de interesse (recomendado)
Atributo único de um tipo inteiro, mais uma métrica de interesse (quando o atributo de data/data/hora está indisponível para previsão de série temporal)

Os dados ausentes são tratados na previsão?

Sim, o algoritmo pode preencher automaticamente os dados ausentes se os dados ausentes forem menores ou iguais a 90% dos dados gerais.

Quais níveis de previsão de atributos baseados em tempo são suportados?

A previsão de atributos baseados em tempo é compatível com os seguintes níveis de dados: Diariamente, semanalmente, mensalmente, trimestralmente e anualmente.

Como a previsão de número inteiro funciona?

Para a previsão de número inteiro, o algoritmo gera o próximo número inteiro na sequência. Se um número inteiro for usado para representar o tempo (como 202101, 202102), ele não será convertido no formato de data/hora, e a previsão adicionará inteiros consecutivos como pontos futuros.