Guida di Tableau Desktop e Web authoring

La finestra di dialogo Descrivi previsione descrive i modelli di previsione calcolati da Tableau per la tua visualizzazione.

Quando la previsione è attiva, puoi aprire questa finestra di dialogo selezionando Analisi > Previsione > Descrivi previsione.

Le informazioni nella finestra di dialogo Descrivi previsione sono di sola lettura, tuttavia puoi fare clic su Copia negli appunti e incollare il contenuto dello schermo in un documento.

La finestra di dialogo Descrivi previsione ha due schede: una scheda Riepilogo e una scheda Modelli .

Descrivi previsione: scheda Riepilogo

La scheda Riepilogo descrive i modelli di previsione che Tableau ha creato, nonché i modelli generali che Tableau ha scoperto nei suoi dati.

Opzioni utilizzate per creare previsioni

Questa sezione riassume le opzioni utilizzate da Tableau per creare le previsioni. Queste opzioni sono state selezionate automaticamente da Tableau o specificate nella finestra di dialogo Opzioni di previsione.

• Serie temporali:: il campo data continuo utilizzato per definire la serie temporale. In alcuni casi questo valore potrebbe non essere una data. Consulta Previsioni in assenza di data nella vista.

• Misurazioni: misurazioni per le quali vengono stimati i valori.

• Previsione avanti:: durata e intervallo di date della previsione.

• Previsioni basate su: intervallo di data dei dati effettivi utilizzati per creare la previsione.

• Ignora ultimo: numero di periodi non considerati alla fine dei dati effettivi. Per tali periodi vengono visualizzati i dati di previsione. Questo valore è determinato dall’opzione Ignora ultimo nella finestra di dialogo Opzioni di previsione.

• Modello stagione: durata del ciclo stagionale che Tableau ha trovato nei dati o Nessuno se non è stato trovato nessun ciclo stagionale nelle previsioni.

Tabelle di riepilogo delle previsioni

Per ogni misurazione prevista, viene visualizzata una tabella di riepilogo che descrive la previsione. Se la vista è suddivisa in più riquadri utilizzando le dimensioni, in ogni tabella viene inserita una colonna che identifica le dimensioni. I campi nelle tabelle di riepilogo delle previsioni sono:

• Iniziale: valore e intervallo di previsione del primo periodo di previsione.

• Cambia dall’iniziale: differenza tra il primo e l’ultimo punto di stima della previsione. L’intervallo per questi due punti viene mostrato nell’intestazione di colonna. Quando i valori vengono mostrati come percentuali, questo campo mostra la variazione percentuale dal primo periodo di previsione.

• Effetto stagione: questi campi vengono visualizzati per i modelli identificati come aventi una stagionalità, ovvero un modello di ripetizione nel tempo. Mostrano il valore maggiore e minore del componente stagionale dell’ultimo ciclo stagionale completo nelle serie temporali combinate di valori effettivi e di previsione. Il componente stagionale esprime la deviazione dalla tendenza e quindi varia intorno a zero e somma di zero nel corso di una stagione.

• Contributo: grado in cui la tendenza e la stagionalità contribuiscono alla previsione. Questi valori sono sempre espressi come percentuali e si sommano fino al 100%.

• Qualità: indica il modo in cui la previsione soddisfa i dati effettivi. I valori possibili sono GOOD, OK e POOR. Una previsione naïve è una previsione nella quale il valore del periodo successivo sarà identico al valore del periodo corrente. La qualità è espressa in relazione a una previsione naïve. Ad esempio, OK significa che la previsione ha meno errori rispetto a una previsione naïve, GOOD significa che la previsione ha meno della metà di errori e POOR significa che la previsione ha più errori.

Descrivi previsione: scheda Modelli

La scheda Modelli fornisce statistiche più esaustive e valori di coefficienti di livellamento per i modelli di perequazione esponenziale di Holt-Winters sottostanti alle previsioni. Per ogni misurazione prevista, viene visualizzata una tabella che descrive i modelli di previsione che Tableau ha creato per la misurazione. Se la vista è suddivisa in più riquadri utilizzando le dimensioni, in ogni tabella viene inserita una colonna che identifica le dimensioni. La tabella è organizzata nelle sezioni seguenti:

Modello

Specifica se i componenti Livello, Trend o Stagione fanno parte del modello utilizzato per generare la previsione. Il valore di ogni componente è uno dei seguenti:

• Nessuno: il componente non è presente nel modello.

• Aggiuntivo: il componente è presente e viene aggiunto agli altri componenti per creare il valore di previsione generale.

• Moltiplicativo: il componente è presente e viene moltiplicato per gli altri componenti per creare il valore di previsione generale.

Metriche della qualità

Questo insieme di valori fornisce informazioni statistiche sulla qualità del modello.

Valore	Definizione
RMSE: radice dell’errore quadratico medio
MAE: errore assoluto medio
MASE: errore scalato medio assoluto. MASE misura il grado di errore rispetto all’errore di una previsione naïve in un passaggio successivo come rapporto. Una previsione naïve presuppone che qualunque sia il valore attuale, sarà identico al valore di domani. Pertanto, un MASE di 0,5 indica che la tua previsione presenterà probabilmente meno della metà degli errori rispetto alla previsione naïve, che è migliore di un MASE di 1,0, il quale non presenta nessun vantaggio rispetto a una previsione naïve. Poiché si tratta di una statistica normalizzata definita per tutti i valori e valuta gli errori in modo uniforme, è una metrica eccellente per confrontare la qualità dei diversi metodi di previsione. Il vantaggio di MASE sulla metrica MAPE più comune è che MASE è definito per la serie temporale che contiene zero, al contrario di MAPE. Inoltre, MASE valuta gli errori in modo uniforme, mentre MAPE valuta gli errori positivi e/o estremi in maniera più severa.
MAPE: errore medio assoluto percentuale. MAPE misura il grado di errore rispetto a quello dei dati, in percentuale. Pertanto, un MAPE del 20% è migliore rispetto a un MAPE del 60%. Gli errori sono le differenze tra i valori di risposta, stimati dal modello, e i valori di risposta effettivi per ogni valore esplicativo nei dati. Poiché si tratta di una statistica normalizzata, può essere utilizzata per confrontare la qualità dei diversi modelli calcolati in Tableau. Tuttavia, per alcuni confronti non risulta affidabile, in quanto valuta alcuni tipi di errore in modo più severo rispetto ad altri. Inoltre, non è definito per dati con valori pari a zero.
AIC: criterio d’informazione di Akaike. AIC è una misurazione di qualità del modello, sviluppata da Hirotugu Akaike, che penalizza i modelli complessi per impedire il sovradattamento. In questa definizione, k è il numero di parametri stimati, inclusi gli stati iniziali e SSE è la somma degli errori quadratici.

Nelle definizioni precedenti, le variabili sono le seguenti:

I valori residui sono: e(t) = F(t)-A(t)

Coefficienti di livellamento

A seconda della velocità di evoluzione del livello, la tendenza o i componenti stagionali dei dati, i coefficienti di livellamento sono ottimizzati per valutare i valori di dati più recenti rispetto a quelli più remoti, in modo da ridurre gli errori di previsione più in avanti all’interno di un esempio. Alpha è il coefficiente di livellamento del livello, beta il coefficiente di livellamento della tendenza e gamma il coefficiente di livellamento stagionale. Più un coefficiente di livellamento è vicino a 1,00, minore è il livellamento che viene eseguito, consentendo modifiche rapide dei componenti e una solida fiducia nei dati recenti. Più un coefficiente di livellamento è vicino a 0,00, maggiore è il livellamento che viene eseguito, consentendo modifiche graduali dei componenti e una minore fiducia nei dati recenti.