Ayuda de Tableau Desktop y de la creación web

El cuadro de diálogo Describir pronóstico describe los modelos de pronóstico que Tableau calculó para su visualización.

Cuando el pronóstico está activado, puede abrir este cuadro de diálogo al seleccionar Análisis > Pronóstico > Describir pronóstico.

La información del cuadro de diálogo Describir pronóstico es de solo lectura, puede hacer clic en Copiar al portapapeles y luego pegar el contenido de la pantalla en un documento.

El cuadro de diálogo Describir pronóstico tiene dos pestañas: una pestaña Resumen y una Modelos.

Describir pronóstico: pestaña Resumen

La pestaña Resumen describe los modelos de pronóstico que Tableau ha creado, así como los patrones generales que Tableau descubrió en sus datos.

Opciones utilizadas para crear pronósticos

Esta sección resume las opciones que Tableau usó para crear sus pronósticos. Estas opciones las eligió Tableau automáticamente o se especificaron en el cuadro de diálogo Opciones de pronóstico.

• Serie de tiempo: el campo de fecha continua que se usa para definir la serie de tiempo. En algunos casos, este valor podría no ser una fecha. Consulte Pronóstico cuando no hay fechas en la vista.

• Medidas: las medidas cuyos valores se estiman.

• Pronóstico hacia delante: la longitud y el rango de fechas del pronóstico.

• Pronóstico basado en: el rango de fechas de los datos reales usados para crear el pronóstico.

• Ignorar último: cantidad de períodos al final de los datos reales que se omiten; se muestran datos del pronóstico para estos períodos. Este valor es determinado por la opción Ignorar último del cuadro de diálogo Opciones de pronóstico.

• Patrón de temporada: la longitud del ciclo de temporada que Tableau encontró en los datos o Ninguno si no se encontró un ciclo de temporada en ningún pronóstico.

Tablas de resumen de pronóstico

Para cada medida que se pronostica, se muestra una tabla de resumen que describe el pronóstico. Si la vista se divide en varios paneles utilizando dimensiones, se inserta una columna en cada tabla para identificar las dimensiones. Los campos en las tablas de resumen de pronóstico son:

• Inicial: el valor y el intervalo de predicción del primer período pronosticado.

• Cambiar desde el inicio : la diferencia entre los primeros y últimos puntos de estimación de pronóstico. El intervalo para estos dos puntos aparece en el encabezado de columna. Cuando los valores aparecen como porcentajes, este campo muestra el cambio de porcentaje desde el primer período pronosticado.

• Efecto de temporada: estos campos se muestran para modelos en los que se ha identificado una temporalidad, es decir, un patrón repetitivo de variación en el tiempo. Muestran el valor mayor y menor del componente de temporada del último ciclo de temporada completo en las series de tiempo combinadas de valores reales y pronosticados. El componente de temporada expresa la desviación de la tendencia y las variaciones alrededor de cero y sumas de cero durante el curso de una temporada.

• Contribución: el grado en que la Tendencia y la Temporalidad contribuyen al pronóstico. Estos valores siempre se expresan en porcentajes y suman 100%.

• Calidad: indica qué tan bien se ajusta el pronóstico a los datos reales. Los valores posibles son GOOD, OK y POOR. Un pronóstico naïve se define como un pronóstico que estima que el valor del siguiente período será idéntico al valor del período actual. La calidad se expresa en relación con un pronóstico naïve, como por ejemplo, OK significa que es muy probable que el pronóstico tenga menos errores que un pronóstico naïve, GOOD significa que el pronóstico tiene menos de la mitad de los errores y POOR significa que el pronóstico tiene más errores.

Describir pronóstico: pestaña Modelos

La pestaña Modelos proporciona estadísticas exhaustivas y valores de coeficiente homogéneo para los modelos homogéneos exponenciales Holt-Winters que subyacen a los pronósticos. Para cada medida pronosticada, se muestra una tabla de resumen de pronóstico que describe los modelos de pronóstico que Tableau creó para la medida. Si la vista se divide en varios paneles utilizando dimensiones, se inserta una columna en cada tabla para identificar las dimensiones. La tabla se organiza en las siguientes secciones:

Modelo

Especifica si los componentes Nivel, Tendencia o Temporada son parte del modelo utilizado para generar el pronóstico. El valor de cada componente es uno de los siguientes:

• Ninguno: el componente no está presente en el modelo.

• Aditivo: el componente está presente y se agrega a otros componentes para crear le valor de pronóstico general.

• Multiplicativo: el componente está presente y se multiplica por los otros componentes para crear el valor de pronóstico general.

Métricas de calidad

Este conjunto de valores proporciona información estadística sobre la calidad del modelo.

Valor	Definición
RMSE: Error de cuadrado de media raíz
MAE: Error absoluto de media
MASE: Error escalado absoluto de media. MASE mide la magnitud del error en comparación con la magnitud del error de un pronóstico ingenuo de corto plazo como relación. Un pronóstico ingenuo supone que cualquier valor actual será el mismo valor mañana. De modo que un MASE de 0,5 significa que su pronóstico posiblemente tenga la mitad de errores que un pronóstico ingenuo, lo que es mejor que un MASE de 1,0, que no tiene ninguna ventaja sobre un pronóstico ingenuo. Ya que esta es una estadística normalizada que se define para todos los valores y ponderaciones de error de forma igualitaria, es una métrica excelente para comparar la calidad de otros métodos de pronóstico. La ventaja de la métrica MASE por sobre la métrica MAPE más común es que MASE se define para la serie de tiempo que contiene cero, mientras que MAPE no. Además, MASE evalúa los errores de igual manera, mientras que MAPE evalúa los errores positivos y extremos de forma más severa.
MAPE: Error de porcentaje absoluto de media. MAPE mide la magnitud del error en comparación con la magnitud de sus datos, como porcentaje. De modo que un MAPE de un 20% es mejor que un MAPE de un 60%. Los errores son las diferencias entre los valores de respuesta, estimados por el modelo, y los valores de respuesta reales para cada valor explicativo en sus datos. Ya que esta es una estadística normalizada, se puede usar para comparar la calidad de diferentes modelos computados en Tableau. Sin embargo no es confiable para algunas comparaciones ya que pondera algunas clases de error más fuertemente que otras. También, no está definido para datos con valores de cero.
AIC: Criterio de información Akaike. AIC es una medición de calidad de modelo, desarrollada por Hirotugu Aikake, que penaliza los modelos complejos para prevenir un sobreajuste. En esta definición, k es el número de parámetros estimados, incluidos los estados iniciales, y SSE es la suma de los errores cuadráticos.

En las definiciones previas, las variables son las siguientes:

Los residuales son: e(t) = F(t)-A(t)

Coeficientes homogéneos

Según la tasa de evolución del nivel, la tendencia o los componentes de temporada de los datos, los coeficientes homogéneos se optimizan para evaluar los valores de datos más recientes por sobre los más antiguos, de modo que se minimicen los errores de pronóstico anticipado dentro del ejemplo. Alpha es el coeficiente homogéneo de nivel; beta, el coeficiente homogéneo de tendencia; y gamma, el coeficiente homogéneo de temporada. Entre más cerca el coeficiente homogéneo esté de 1.00, menor será la homogenización realizada, permitiendo cambios de componentes rápidos y una sólida confianza en los datos recientes. Entre más cerca el coeficiente homogéneo esté de 0.00, mayor será la homogenización realizada, permitiendo cambios de componentes graduales y una menor confianza en los datos recientes.