Descrições da previsão
A caixa de diálogo Descrever previsão descreve os modelos de previsão que o Tableau calculou para sua visualização.
Quando a previsão é habilitada, você pode abrir essa caixa de diálogo selecionando Análise > Previsão > Descrever previsão.
As informações na caixa de diálogo Descrever previsão são somente leitura, embora seja possível clicar em Copiar na área de transferência e colar o conteúdo da tela em um documento.
A caixa de diálogo Descrever previsão apresenta duas guias: uma guia Resumo e uma guia Modelos.
Descrever previsão – guia Resumo
A guia Resumo descreve os modelos de previsão criados pelo Tableau, bem como os padrões gerais que o Tableau descobriu nos dados.
Opções usadas para criar previsões
Esta seção resume as opções usadas pelo Tableau para criar suas previsões. Essas opções foram selecionadas automaticamente pelo Tableau ou especificadas na caixa de diálogo Opções de previsão.
Série de tempo — O campo de data contínua usado para definir a série de tempo. Em alguns casos, este valor pode não ser uma data propriamente dita. Consulte Previsão quando não houver data na exibição.
Medidas — as medidas para as quais são estimados valores.
Previsão futura — o intervalo de datas e a duração da previsão.
Previsão baseada em — o intervalo de datas dos dados reais usados para criar a previsão.
Ignorar último(s) — o número de períodos ao final da data real que são desconsiderados – os dados de previsão são exibidos para esses períodos. Esse valor é determinado pela opção Ignorar último(s) na caixa de diálogo Opções de previsão.
Padrão sazonal — a duração do ciclo sazonal que o Tableau encontrou nos dados, ou Nenhum se nenhum ciclo sazonal foi encontrado em nenhuma previsão.
Tabelas de resumo de previsão
Para cada medida prevista, é exibida uma tabela de resumo descrevendo a previsão. Se a exibição for dividida em vários painéis usando dimensões, será inserida uma coluna em cada tabela que identifica as dimensões. Os campos nas tabela de previsão resumida são:
Inicial - O valor e o intervalo de previsão do primeiro período da previsão.
Alterar desde o início - a diferença entre o primeiro e o último ponto de estimativa da previsão. O intervalo desses dois pontos é mostrado no cabeçalho de coluna. Quando os valores são mostrados como porcentagens, esse campo mostra a alteração da porcentagem a partir do primeiro período da previsão.
Efeito sazonal - esses campos são exibidos para modelos identificados como tendo sazonalidade, ou seja, um padrão repetido de variação ao longo do tempo. Eles mostram o valor alto e baixo do componente sazonal do último ciclo sazonal completo na série do período combinada de valores reais e previstos. O componente sazonal expressa o desvio da tendência e, assim, varia em torno de zero e soma zero durante uma sazonalidade.
Contribuição - a extensão para a qual Tendência e Sazonalidade contribuem na previsão. Esses valores são sempre expressos como porcentagens e somam até 100%.
Qualidade — indica como a previsão se adapta aos dados reais. Os valores possíveis são BOA, OK e FRACA. Uma previsão simples é definida como uma previsão que estima que o valor do próximo período será idêntico ao valor do período atual. A qualidade é expressa em relação a uma previsão simples, de forma que OK significa que é provável que a previsão tenha menos erros do que uma previsão simples, BOA significa que a previsão tem menos da metade de erros e FRACA significa que a previsão tem mais erros.
Descrever previsão – guia Modelos
A guia Modelos fornece estatísticas mais completas e valores de coeficiente de suavização para os modelos de suavização exponencial Holt-Winters subjacentes às previsões. Para cada medida que é prevista, é exibida uma tabela descrevendo os modelos de previsão criados pelo Tableau para a medida. Se a exibição for dividida em vários painéis usando dimensões, será inserida uma coluna em cada tabela que identifica as dimensões. A tabela é organizada nas seguintes seções:
Modelo
Especifica se os componentes Nível, Tendência ou Temporada fazem parte do modelo usado para gerar a previsão. O valor de cada componente é um dos seguintes:
Nenhum — O componente não está presente no modelo.
Aditivo — O componente está presente e adicionado aos outros componentes para criar o valor geral da previsão.
Multiplicativo — O componente está presente e foi multiplicado pelos outros componentes para criar o valor de previsão geral.
Métricas de qualidade
Esse conjunto de valores fornece informações estatísticas sobre a qualidade do modelo.
| Valor | Definição |
| RMSE: Erro da raiz medial quadrada |  |
| MAE: Erro médio absoluto |  |
MASE: Erro médio absoluto em escala. O MAPE mede a magnitude do erro em comparação com a magnitude do erro de uma previsão inocente em uma etapa como uma proporção. Uma previsão inocente pressupõe que o valor de hoje será o mesmo de amanhã, não importa qual seja. Assim, um MASE de 0,5 significa que a sua previsão deve ter praticamente a metade dos erros como uma previsão inocente, o que é melhor do que um MASE de 1, que não é melhor do que uma previsão inocente. Como essa é uma estatística normalizada definida para todos os valores e que pondera erros por igual, trata-se de uma métrica excelente para comparar a qualidade de métodos de previsão diferentes. A vantagem de MASE sobre a métrica MAPE mais comum é que a primeira é definida para a série de tempo que contém zero e a segunda, não. Além disso, a MASE pesa os erros igualmente, enquanto a MAPE pesa os erros positivos e/ou extremos com mais intensidade. |
|
MAPE: Erro médio de porcentagem absoluto. O MAPE mede a magnitude do erro em comparação com a magnitude dos seus dados, como uma porcentagem. Assim, um MAPE de 20% é melhor do que um MAPE de 60%. Os erros são as diferenças entre os valores de resposta, que o modelo estima, e os valores de resposta reais para cada valor explicativo nos seus dados. Como é uma estatística normalizada, ela pode ser usada na comparação da qualidade de modelos diferentes computados no Tableau. Porém, ele não é confiável em algumas comparações porque pondera alguns tipos de erro com um peso maior do que outros. Além disso, ele permanece indefinido para dados com valores iguais a zero. |
|
AIC: Critério de informações Akaike. AIC é uma medida de qualidade de modelo, desenvolvida por Hirotugu Akaike, que penaliza modelos complexos para evitar o excesso de encaixe. Nesta definição, k é o número de parâmetros estimados, inclusive estados iniciais, e SSE é a soma dos erros resolvidos. |
|
Nas definições anteriores, as variáveis são:
| Variável | Significado |
| t | Índice de um período em uma série de período. |
| n | Comprimento da série do período. |
| m | Número de períodos em uma sazonalidade/ciclo. |
| A(t) | Valor real da série do período t. |
| F(t) | Um valor encaixado ou previsto no período t. |
Os resíduos são:
Coeficientes regulares
Dependendo da taxa de evolução nos componentes de nível, tendência ou sazonalidade dos dados, os coeficientes de suavização são otimizados para pesar valores de dados mais recentes sobre os antigos, de modo que os erros de previsão adiantados dentro do exemplo são minimizados. Alpha é o coeficiente de suavização de nível, beta o coeficiente de suavização de tendência e gama o coeficiente de suavização sazonal. Quando mais perto o coeficiente de suavização estiver de 1,00, menos suavização será executada, permitindo rápidas alterações de componente e confiança intensa sobre os dados recentes. Quanto mais perto um coeficiente de suavização estiver de 0,00, mais suavização será executada, permitindo alterações graduais de componente e menos confiança sobre dados recentes.