Prognosebeschrijvingen

In het dialoogvenster Prognose beschrijven worden de prognosemodellen beschreven die Tableau voor uw visualisatie heeft berekend.

Wanneer prognoses zijn ingeschakeld, kunt u dit dialoogvenster openen door Analyse > Prognose > Prognose beschrijven te selecteren.

De informatie in het dialoogvenster Prognose beschrijven is alleen-lezen, maar u kunt wel klikken op Naar klembord kopiëren en vervolgens de scherminhoud in een document te plakken.

Het dialoogvenster Prognose beschrijven heeft twee tabbladen: het tabblad Samenvatting en het tabblad Modellen.

Prognose beschrijven – tabblad Samenvatting

Op het tabblad Samenvatting worden de prognosemodellen beschreven die Tableau heeft gemaakt, evenals de algemene patronen die Tableau in de data heeft ontdekt.

Gebruikte opties om prognoses te maken

In dit gedeelte worden de opties samengevat die Tableau gebruikt om prognoses te maken. Deze opties worden automatisch door Tableau gekozen of opgegeven in het dialoogvenster Prognose-opties.

  • Tijdreeks – het doorlopende datumveld dat wordt gebruikt om de tijdreeks te definiëren. In sommige gevallen is deze waarde mogelijk geen datum. Zie Prognoses maken wanneer de weergave geen data bevat.

  • Meetwaarden –de meetwaarden waarvoor waarden worden geschat.

  • Prognose vooruit – de lengte en het datumbereik van de prognose.

  • Prognose op basis van – het datumbereik van de werkelijke data die zijn gebruikt om de prognose te maken.

  • Laatste negeren – het aantal perioden aan het einde van de werkelijke data die worden genegeerd. Voor deze perioden worden prognosedata weergegeven. Deze waarde wordt bepaald door de optie Laatste negeren in het dialoogvenster Prognose-opties.

  • Seizoensgebonden patroon – de lengte van de seizoenscyclus die Tableau in de data heeft gevonden, of Geen als er in geen enkele prognose een seizoenscyclus is gevonden.

Samenvattingstabellen prognose

Voor elke prognose voor een meetwaarde wordt een samenvattende tabel weergegeven waarin de prognose wordt beschreven. Als de weergave met gebruik van dimensies in meerdere deelvensters is opgedeeld, wordt in elke tabel een kolom ingevoegd die de dimensies identificeert. De velden in de samenvattende prognosetabellen zijn:

  • Initiële – de waarde en het voorspellingsinterval van de eerste prognoseperiode.

  • Wijziging ten opzichte van initiële – het verschil tussen de eerste en laatste prognose-schattingspunten. Het interval voor deze twee punten wordt weergegeven in de kolomkoptekst. Wanneer waarden als percentages worden weergegeven, toont dit veld de procentuele wijziging ten opzichte van de eerste prognoseperiode.

  • Seizoensgebonden effect – deze velden worden weergegeven voor modellen waarvan is vastgesteld dat ze seizoensgebonden zijn, dat wil zeggen dat ze een in de loop van de tijd een herhalend patroon van variatie vertonen. Ze tonen de hoogste en laagste waarde van de seizoenscomponent van de laatste volledige seizoenscyclus in de gecombineerde tijdreeks van werkelijke en prognosewaarden. Het seizoenscomponent drukt de afwijking van de trend uit en varieert dus rond nul, maar de som ervan is nul in de loop van een seizoen.

  • Bijdrage – de mate waarin Trend en Seizoensgebondenheid bijdragen aan de prognose. Deze waarden worden altijd uitgedrukt in percentages en zijn samen 100%.

  • Kwaliteit – geeft aan in hoeverre de prognose overeenkomt met de werkelijke data. Mogelijke waarden zijn GOED, OK en SLECHT. Een naïeve prognose is een prognose waarin wordt geschat dat de waarde van de volgende periode gelijk zal zijn aan de waarde van de huidige periode. De kwaliteit wordt uitgedrukt ten opzichte van een naïeve prognose. OK betekent dat de prognose waarschijnlijk minder fouten bevat dan een naïeve prognose, GOED betekent dat de prognose minder dan de helft van de fouten bevat en SLECHT betekent dat de prognose meer fouten bevat.

Prognose beschrijven – tabblad Modellen

Het tabblad Modellen biedt uitgebreidere statistieken en coëfficiëntwaarden voor vloeiend maken voor de Holt-Winters-modellen voor exponentieel vloeiend maken die ten grondslag liggen aan de prognoses. Voor elke prognose voor een meetwaarde wordt een tabel weergegeven met de prognosemodellen die Tableau voor de meetwaarde heeft gemaakt. Als de weergave met gebruik van dimensies in meerdere deelvensters is opgedeeld, wordt in elke tabel een kolom ingevoegd die de dimensies identificeert. De tabel is onderverdeeld in de volgende secties:

Model

Geeft aan of de componenten Niveau, Trend, of Seizoen deel uitmaken van het model dat wordt gebruikt om de prognose te genereren. De waarde voor elk onderdeel is een van de volgende:

  • Geen – het onderdeel is niet aanwezig in het model.

  • Optellen – het onderdeel is aanwezig en wordt opgeteld bij de andere onderdelen om de algehele prognosewaarde te maken.

  • Vermenigvuldigen – het onderdeel is aanwezig en wordt vermenigvuldigd met de andere onderdelen om de totale prognosewaarde te maken.

Kwaliteitsstatistieken

Deze set waarden verschaft statistische informatie over de kwaliteit van het model.

WaardeDefinitie
RMSE: Root Mean Squared Error, gemiddelde kwadratische fout van wortel
MAE: Mean Absolute Error, gemiddelde absolute fout

MASE: Mean Absolute Scaled Error, gemiddelde absolute geschaalde fout

MASE meet de omvang van de fout vergeleken met de omvang van de fout van een naïeve prognose van één stap vooruit als verhouding. Een naïeve prognose gaat ervan uit dat de waarde van vandaag dezelfde waarde zal hebben als morgen. Een MASE van 0,5 betekent dat uw prognose waarschijnlijk de helft minder fouten bevat dan een naïeve prognose. Dat is beter dan een MASE van 1,0, die niet beter is dan een naïeve prognose. Omdat dit een genormaliseerde statistiek is die voor alle waarden is gedefinieerd en fouten gelijkmatig weegt, is het een uitstekende statistiek voor het vergelijken van de kwaliteit van verschillende prognosemethoden.

Het voordeel van MASE ten opzichte van de meer gangbare MAPE-statistiek is dat MASE is gedefinieerd voor tijdreeksen die nul bevatten, terwijl MAPE dat niet is. Bovendien weegt MASE fouten even zwaar, terwijl MAPE positieve en/of extreme fouten zwaarder weegt.

MAPE: Mean Absolute Percentage Error, gemiddelde absolute procentuele fout

MAPE meet de omvang van de fout in vergelijking met de omvang van de data, als een percentage. Een MAPE van 20% is dus beter dan een MAPE van 60%. Fouten zijn de verschillen tussen de responswaarden die het model schat, en de werkelijke responswaarden voor elke verklarende waarde in uw data. Omdat dit een genormaliseerde statistiek is, kan deze worden gebruikt om de kwaliteit van verschillende modellen die in Tableau zijn berekend te vergelijken. Voor sommige vergelijkingen is de methode echter onbetrouwbaar, omdat bepaalde soorten fouten zwaarder worden meegewogen dan andere. Bovendien is het niet gedefinieerd voor data met waarden van nul.

AIC: Akaike Information Criterion

AIC is een modelkwaliteitsmeetwaarde, ontwikkeld door Hirotugu Akaike, die complexe modellen bestraft om overfitting te voorkomen. In deze definitie is k is het aantal geschatte parameters, inclusief initiële statussen, en is SSE is de som van de kwadratische fouten.

In de voorgaande definities zijn de variabelen als volgt:

VariabeleBetekenis
tIndex van een periode in een tijdreeks.
nLengte tijdreeks:
mAantal periodes in een seizoen/cyclus.
A(t)Actuele waarde van de tijdreeks in periode t.
F(t)Aangepaste of prognosewaarde in periode t.

Restwaarden zijn: e(t) = F(t)-A(t)

Coëfficiënten voor vloeiend maken

Afhankelijk van de mate van evolutie in de niveau-, trend- of seizoenscomponenten van de data, worden coëfficiëntwaarden voor vloeiend maken geoptimaliseerd om recentere datawaarden zwaarder te laten wegen dan oudere, zodat prognosefouten binnen een steekproef die één stap vooruitgaan tot een minimum worden beperkt. Alfa is de coëfficiënt om het niveau vloeiend te maken, bèta de coëfficiënt om de trend vloeiend te maken en gamma de coëfficiënt om het seizoen vloeiend te maken. Hoe dichter de coëfficiënt voor vloeiend maken bij 1,00 ligt, hoe minder er vloeiend wordt gemaakt. Hierdoor kunnen componenten snel veranderen en kan er veel worden vertrouwd op recente data. Hoe dichter de coëfficiënt voor vloeiend maken bij 0,00 ligt, hoe meer er vloeiend wordt gemaakt. Hierdoor kunnen componenten geleidelijk veranderen en bent u minder afhankelijk van recente data.

 

Bedankt voor uw feedback.De feedback is verzonden. Dank u wel.