วิธีการทำงานของการพยากรณ์ใน Tableau
การพยากรณ์ใน Tableau ใช้เทคนิคที่เรียกว่า การปรับเรียบแบบเอ็กซ์โปเนนเชียล อัลกอริทึมการพยากรณ์พยายามค้นหารูปแบบปกติในการวัดผลที่จะเกิดขึ้นในอนาคต หากคุณสนใจการสร้างแบบจำลองการคาดการณ์ซึ่งมีให้ใช้งานใน Tableau โปรดดูการทำงานของฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์ใน Tableau
โดยทั่วไปแล้ว คุณจะเพิ่มการพยากรณ์ในมุมมองที่มีฟิลด์วันที่และการวัดผลอย่างน้อยหนึ่งรายการ อย่างไรก็ตาม เมื่อไม่มีวันที่ Tableau สามารถสร้างการพยากรณ์สำหรับมุมมองที่มีมิติข้อมูลที่มีค่าจำนวนเต็ม เพิ่มเติมจากการวัดผลอย่างน้อยหนึ่งรายการ
สำหรับรายละเอียดเกี่ยวกับการสร้างการพยากรณ์ โปรดดู สร้างการพยากรณ์ สำหรับรายละเอียดเกี่ยวกับการใช้มิติข้อมูล โปรดดู การพยากรณ์เมื่อไม่มีวันที่ในมุมมอง
ภาพรวม
อัลกอริทึมการพยากรณ์ทั้งหมดเป็นแบบจำลองอย่างง่ายของกระบวนการสร้างข้อมูลจริง เพื่อการพยากรณ์คุณภาพสูง รูปแบบอย่างง่ายในกระบวนการสร้างข้อมูลจริงต้องตรงกับรูปแบบที่อธิบายไว้ในแบบจำลองอย่างสมเหตุสมผล เมตริกคุณภาพวัดผลว่าแบบจำลองตรงกับกระบวนการสร้างข้อมูลจริงเพียงใด หากมีคุณภาพต่ำ ก็ไม่จำเป็นต้องมีการวัดผลความแม่นยำโดยใช้แถบความเชื่อมั่น เพราะเป็นการวัดผลความแม่นยำของการประมาณการที่ไม่ถูกต้อง
Tableau จะเลือกแบบจำลองที่ดีที่สุดแปดรายการโดยอัตโนมัติ แบบจำลองที่ดีที่สุดคือแบบจำลองที่สามารถสร้างการพยากรณ์ที่มีคุณภาพสูงได้ พารามิเตอร์การปรับเรียบของแบบจำลองแต่ละอันถูกปรับให้เหมาะสมก่อนที่ Tableau จะประเมินคุณภาพการพยากรณ์ วิธีการปรับให้เหมาะสมเป็นแบบสากล ดังนั้น จึงเป็นไปไม่ได้ที่จะเลือกพารามิเตอร์การปรับเรียบที่เหมาะสมกับเครื่องแต่ไม่เหมาะสมในระดับสากล อย่างไรก็ตาม ค่าเริ่มต้นสำหรับพารามิเตอร์กำหนดไว้ตามแนวทางปฏิบัติที่ดีที่สุด แต่ไม่ได้ปรับปรุงให้เหมาะสมเพิ่มเติม จึงเป็นไปได้ว่าค่าเริ่มต้นสำหรับพารามิเตอร์อาจต่ำกว่าระดับที่เหมาะสม แบบจำลองทั้งแปดที่พร้อมใช้งานใน Tableau รวมอยู่ในรายการตำแหน่งดังต่อไปนี้ บนเว็บไซต์ OTexts การจัดหมวดหมู่แบบจำลองการปรับเรียบแบบเอ็กซ์โปเนนเชียล(ลิงก์จะเปิดในหน้าต่างใหม่)
เมื่อมีข้อมูลไม่เพียงพอในการแสดงเป็นภาพ Tableau จะพยายามพยากรณ์ในมุมมองเวลาแบบละเอียดมากขึ้นโดยอัตโนมัติ แล้วจึงรวมการพยากรณ์กลับไปเป็นมุมมองแบบละเอียดของการแสดงเป็นภาพ Tableau มีแถบการคาดการณ์ที่อาจจำลองหรือคำนวณมาจากสมการแบบปิด แบบจำลองทั้งหมดที่มีองค์ประกอบแบบทวีคูณหรือมีการพยากรณ์แบบรวมจะมีแถบจำลอง ขณะที่แบบจำลองอื่นจะใช้สมการแบบปิด
การปรับเรียบแบบเอ็กซ์โปเนนเชียลและแนวโน้ม
แบบจำลองการปรับเรียบแบบเอ็กซ์โปเนนเชียล พยากรณ์ค่าอนุกรมเวลาปกติในอนาคตแบบวนซ้ำจากการถ่วงน้ำหนักเฉลี่ยของค่าอนุกรมในอดีต แบบจำลองที่เรียบง่ายที่สุด การปรับเรียบแบบเอ็กซ์โปเนนเชียลแบบเรียบง่าย คำนวณค่าระดับถัดไปหรือค่าที่ปรับเรียบจากการถ่วงน้ำหนักเฉลี่ยของค่าจริงล่าสุดและค่าระดับล่าสุด วิธีการนี้เป็นแบบเอ็กซ์โปเนนเชียลเพราะค่าในแต่ละระดับเป็นผลมาจากค่าจริงก่อนหน้านี้จนถึงระดับที่ลดลงแบบเอ็กซ์โปเนนเชียล โดยค่าล่าสุดจะมีน้ำหนักมากกว่า
แบบจำลองการปรับเรียบแบบเอ็กซ์โปเนนเชียลพร้อมแนวโน้มหรือองค์ประกอบตามฤดูกาลจะมีผลเมื่อการวัดผลที่จะพยากรณ์แสดงแนวโน้มหรือความแปรผันตามฤดูกาลตามระยะเวลาที่มีการพยากรณ์ แนวโน้ม เป็นความโน้มเอียงของข้อมูลที่เพิ่มขึ้นหรือลดลงตามระยะเวลา ความแปรผันตามฤดูกาล เป็นการแปรผันแบบวนซ้ำและคาดการณ์ได้ของค่า เช่น ความผันผวนประจำปีของอุณหภูมิที่สอดคล้องกับฤดูกาล
โดยทั่วไป ยิ่งคุณมีจุดข้อมูลในอนุกรมเวลามากแค่ไหน ผลการพยากรณ์ก็จะยิ่งดีขึ้นตามไปด้วย การมีข้อมูลที่เพียงพอเป็นสิ่งที่สำคัญเป็นอย่างยิ่งหากคุณต้องการสร้างแบบจำลองความแปรผันตามฤดูกาล เพราะแบบจำลองมีความซับซ้อนและต้องมีหลักฐานในรูปแบบข้อมูลมากขึ้น เพื่อให้มีความแม่นยำในระดับที่สมเหตุสมผล ในทางกลับกัน หากคุณพยากรณ์โดยใช้ข้อมูลที่สร้างโดยใช้กระบวนการสร้างข้อมูลจริงมากกว่าสองรายการ คุณจะได้การพยากรณ์คุณภาพต่ำ เพราะแบบจำลองสามารถจับคู่ได้เพียงรายการเดียว
ความแปรผันตามฤดูกาล
Tableau ทดสอบรอบของฤดูกาลด้วยความยาวที่เหมาะสมที่สุดสำหรับการรวมเวลาของอนุกรมเวลาที่ใช้ในการคาดการณ์การพยากรณ์ ดังนั้นหากคุณรวมเวลาตามเดือน Tableau จะค้นหาเป็นรอบแบบ 12 เดือน หากคุณรวมเวลาตามไตรมาส Tableau จะค้นหาเป็นรอบแบบสี่ไตรมาส และหากคุณรวมเวลาตามวัน Tableau จะค้นหาความแปรผันตามฤดูกาลเป็นรายสัปดาห์ ดังนั้น หากคุณมีรอบแบบหกเดือนในอนุกรมเวลารายเดือน Tableau จะค้นหารูปแบบ 12 เดือนที่มีรูปแบบย่อยที่คล้ายกันสองแบบ อย่างไรก็ตาม หากคุณมีรอบแบบเจ็ดเดือนในอนุกรมเวลารายเดือน Tableau จะไม่สามารถค้นหารอบใดๆ ได้เลย โชคดี ที่รอบแบบเจ็ดเดือนเป็นเรื่องผิดปกติ
Tableau สามารถใช้วิธีการแบบใดแบบหนึ่งจากสองแบบนี้เพื่อค้นหาความยาวของฤดูกาล วิธีการแปลงค่าอิงตามเวลาแบบดั้งเดิมจะใช้ความยาวฤดูกาลตามธรรมชาติของมุมมองเวลาแบบละเอียด มุมมองเวลาแบบละเอียด หมายถึง หน่วยของเวลาที่ละเอียดที่สุดที่แสดงในมุมมอง ตัวอย่างเช่น หากมุมมองมีวันที่สีเขียวแบบต่อเนื่องที่ตัดทอนกับเดือน หรือแยกกับส่วนของวันที่แบบปีและเดือนสีฟ้า มุมมองแบบละเอียดของมุมมองนี้จะเป็นเดือน วิธีการแปลงค่าโดยไม่อิงตามเวลาแบบใหม่ที่นำเสนอไปใน Tableau 9.3 จะใช้การถดถอยตามระยะเวลาเพื่อตรวจสอบคู่แข่งความยาวฤดูกาล ตั้งแต่ 2 ถึง 60
Tableau จะเลือกวิธีการที่เหมาะสมที่สุดโดยอัตโนมัติ สำหรับมุมมองที่กำหนด เมื่อ Tableau ใช้วันที่ในการออกคำสั่งการวัดผลในมุมมอง หากมุมมองเวลาแบบละเอียดเป็นแบบไตรมาส รายเดือน รายสัปดาห์ รายวัน หรือ รายชั่วโมง ความยาวฤดูกาลจะเกือบเท่ากับ 4, 12, 13, 7 หรือ 24 ตามลำดับ ดังนั้น จะใช้เพียงความยาวตามธรรมชาติต่อมุมมองเวลาแบบละเอียดเท่านั้นในการสร้างแบบจำลองการปรับเรียบแบบเอ็กซ์โปเนนเชียลตามฤดูกาลห้าแบบที่ได้รับการรับรองจาก Tableau AIC ของแบบจำลองตามฤดูกาลห้าแบบและแบบจำลองไม่ตามฤดูกาลสามแบบจะถูกนำมาเปรียบเทียบและส่งคืนแบบที่ต่ำที่สุด (สำหรับคำอธิบายเมตริก AIC โปรดดู “คำอธิบายการพยากรณ์”)
เมื่อ Tableau ใช้มิติข้อมูลจำนวนเต็มในการพยากรณ์ จะเป็นการใช้วิธีการที่สอง ในกรณีนี้ไม่มีมุมมองเวลาแบบละเอียด ดังนั้นความยาวฤดูกาลที่เป็นไปได้จึงเป็นการดึงมาจากข้อมูล
หากมุมมองเวลาแบบละเอียดเป็นแบบรายปี จะเป็นการใช้วิธีการที่สองเช่นกัน ซีรีส์แบบรายปีแทบจะไม่มีความแปรผันตามฤดูกาลเลย แต่หากมีก็จะเป็นการดึงมาจากข้อมูล
สำหรับมุมมองที่มีมุมมองเวลาแบบละเอียดในระดับนาทีหรือวินาที จะเป็นการใช้วิธีการที่สองเช่นกัน หากซีรีส์นั้นมีความแปรผันตามฤดูกาล ความยาวฤดูกาลอาจจะเป็น 60 อย่างไรก็ตาม ในการวัดผลกระบวนการจริงแบบปกติ กระบวนการอาจมีความซ้ำซ้อนปกติซึ่งไม่สอดคล้องกับนาฬิกา ดังนั้น สำหรับนาทีและวินาที Tableau จะตรวจสอบความยาวที่แตกต่างจาก 60 ในข้อมูล นี่ไม่ได้หมายความว่า Tableau สามารถสร้างแบบจำลองความยาวฤดูกาลสองแบบได้ในเวลาเดียวกัน ในทางตรงกันข้าม มีการคาดการณ์แบบจำลองตามฤดูกาลสิบแบบ โดยห้าแบบมีความยาวฤดูกาลที่ 60 และอีกห้าแบบมีความยาวฤดูกาลที่เป็นการดึงมาจากข้อมูล ไม่ว่าจะเป็นแบบจำลองตามฤดูกาลหรือแบบจำลองไม่ตามฤดูกาลสามแบบที่มี AIC ต่ำที่สุด แบบจำลองนั้นจะนำมาใช้ในการคำนวณการพยากรณ์
สำหรับซีรีส์คำสั่งตามปี นาที หรือวินาที หากมีรูปแบบค่อนข้างชัดเจนจะมีการทดสอบความยาวฤดูกาลหนึ่งจากข้อมูล สำหรับซีรีส์คำสั่งจำนวนเต็ม จะมีการคาดการณ์สูงถึงเก้าแบบที่มีความยาวฤดูกาลที่เป็นไปได้ชัดเจนน้อยลงมา สำหรับแบบจำลองตามฤดูกาลทั้งห้าแบบ และจะส่งคืนแบบจำลองที่มี AIC ต่ำที่สุด หากไม่มีคู่แข่งความยาวฤดูกาลที่เหมาะสม จะคาดการณ์เพียงแบบจำลองไม่ตามฤดูกาลเท่านั้น
เนื่องจากการเลือกเป็นแบบอัตโนมัติ เมื่อ Tableau ดึงข้อมูลความยาวฤดูกาลที่เป็นไปได้จากข้อมูล ค่าเริ่มต้นของประเภทแบบจำลอง “อัตโนมัติ” ในเมนู “ประเภทแบบจำลองการโต้ตอบตัวเลือกการพยากรณ์” จะไม่เปลี่ยนแปลง การเลือก “อัตโนมัติโดยไม่มีความแปรผันตามฤดูกาล” จะเพิ่มประสิทธิภาพการทำงานโดยการกำจัดการค้นหาความยาวฤดูกาลทั้งหมดและการคาดการณ์แบบจำลองตามฤดูกาล
การทำงานด้วยตัวเองที่ Tableau ใช้ในการพิจารณาว่าเมื่อใดควรใช้ความยาวฤดูกาลที่ดึงจากข้อมูล ขึ้นอยู่กับการกระจายของข้อผิดพลาดสำหรับการถดถอยตามระยะเวลาของความยาวฤดูกาลของคู่แข่งแต่ละราย เนื่องจากการรวบรวมคู่แข่งความยาวฤดูกาลของการถดถอยตามระยะเวลามักจะสร้างความยาวที่จะใช้ได้อย่างแน่นนอนหนึ่งหรือสองแบบ หากความแปรผันตามฤดูกาลมีอยู่จริงในข้อมูล การส่งคืนคู่แข่งรายเดียวอาจแสดงความแปรผันตามฤดูกาลที่น่าจะเป็นไปได้ ในกรณีนี้ Tableau คาดการณ์แบบจำลองตามฤดูกาลด้วยคู่แข่งนี้สำหรับมุมมองแบบละเอียดแบบรายปี นาที และวินาที การส่งคืนคู่แข่งน้อยกว่าค่าสูงสุดที่สิบรายการแสดงความแปรผันตามฤดูกาลที่เป็นไปได้ ในกรณีนี้ Tableau คาดการณ์แบบจำลองตามฤดูกาลด้วยคู่แข่งที่ส่งคืนแล้วทั้งหมดสำหรับมุมมองคำสั่งจำนวนเต็ม การส่งคืนคู่แข่งจำนวนสูงสุดแสดงว่าข้อผิดพลาดสำหรับความยาวส่วนใหญ่ใกล้เคียงกัน ดังนั้น จึงไม่น่าจะมีความแปรผันตามฤดูกาล ในกรณีนี้ Tableau จะคาดการณ์เพียงแบบจำลองไม่ตามฤดูกาลเท่านั้นสำหรับซีรีส์คำสั่งจำนวนเต็มหรือซีรีส์คำสั่งรายปี และสำหรับแบบจำลองตามฤดูกาลที่มีความยาวฤดูกาลตามธรรมชาติสำหรับมุมมองคำสั่งแบบชั่วคราว
สำหรับประเภทแบบจำลอง “อัตโนมัติ” ในจำนวนเต็ม ซึ่งได้แก่มุมมองคำสั่งแบบปี นาที และวินาที ความยาวฤดูกาลของคู่แข่งจะดึงมาจากข้อมูลเสมอ ไม่ว่าจะใช้งานหรือไม่ เนื่องจากการคาดการณ์แบบจำลองกินเวลามากกว่าการถดถอยตามระยะเวลา ผลกระทบของการทำงานจึงควรเป็นระดับปานกลาง
ประเภทแบบจำลอง
ในกล่องโต้ตอบ “ตัวเลือกการพยากรณ์” คุณสามารเลือกประเภทแบบจำลองผู้ใช้ของ Tableau ได้ในการพยากรณ์ การตั้งค่า อัตโนมัติ โดยปกติแล้วจะเหมาะสมกับมุมมองส่วนใหญ่ หากคุณเลือก กำหนดเอง คุณจะสามารถระบุลักษณะแนวโน้มและฤดูกาลได้อย่างอิสระ โดยเลือกจาก ไม่มี เพิ่มเติม หรือ ทวีคูณ:
แบบจำลองเพิ่มเติมคือแบบจำลองที่มีส่วนสนับสนุนองค์ประกอบแบบจำลองแบบผลรวม ในขณะที่แบบจำลองแบบทวีคูณเป็นแบบจำลองที่มีองค์ประกอบส่วนสนับสนุนบางตัวแบบผลคูณ แบบจำลองแบบทวีคูณสามารถพัฒนาการพยากรณ์ได้อย่างมีนัยสำคัญ สำหรับข้อมูลที่แนวโน้มหรือความแปรผันตามฤดูกาลได้รับผลกระทบจากระดับ (ขนาด) ของข้อมูล
โปรดทราบว่าคุณไม่ต้องสร้างแบบจำลองแบบกำหนดเองเพื่อสร้างการพยากรณ์ที่เป็นแบบทวีคูณ การตั้งค่า อัตโนมัติ สามารถกำหนดได้ว่าการพยากรณ์แบบทวีคูณเหมาะสมกับข้อมูลของคุณหรือไม่ อย่างไรก็ตาม เมื่อการวัดผลที่จะพยากรณ์มีค่าอย่างน้อยหนึ่งค่าที่น้อยกว่าหรือเท่ากับศูนย์จะไม่สามารถคำนวณแบบจำลองแบบทวีคูณได้
การพยากรณ์ด้วยเวลา
เมื่อคุณพยากรณ์ด้วยวันที่ คุณจะมีวันที่ฐานเพียงวันที่เดียวในมุมมอง มีการรองรับส่วนของวันที่ แต่ทุกส่วนต้องอ้างอิงฟิลด์เบื้องหลังตัวเดียวกัน วันที่อาจเป็น แถว คอลัมน์ หรือ เครื่องหมาย (พร้อมข้อยกเว้นของเป้าหมายเคล็ดลับเครื่องมือ)
Tableau รองรับประเภทของวันที่สามประเภท ซึ่งสองประเภทนั้นสามารถใช้ในการพยากรณ์ได้:
วันที่ตัดทอนอ้างอิงจากจุดที่เฉพาะเจาะจงในประวัติที่มีมุมมองเวลาแบบละเอียดเฉพาะ เช่น กุมภาพันธ์ 2017 วันที่นี้มักจะเป็นแบบต่อเนื่องที่มีพื้นหลังสีเขียวในมุมมอง วันที่ตัดทอนสามารถใช้งานการพยากรณ์ได้
ส่วนของวันที่อ้างอิงถึงสมาชิกการวัดผลเวลาที่เฉพาะเจาะจง เช่น กุมภาพันธ์ ส่วนของวันที่แต่ละส่วนจะแสดงในฟิลด์ที่แตกต่างกัน และมักจะแยกกัน (ที่มีพื้นหลังสีฟ้า) การพยากรณ์ต้องใช้ส่วนของวันที่แบบปีเป็นอย่างน้อย โดยเฉพาะอย่างยิ่ง อาจใช้ส่วนของวันที่ในเซตต่อไปนี้สำหรับการพยากรณ์
ปี
ปี + ไตรมาส
ปี + เดือน
ปี + ไตรมาส + เดือน
ปี + สัปดาห์
กำหนดเอง: เดือน/ปี, เดือน/วัน/ปี
ส่วนของวันที่อื่น เช่น ไตรมาส หรือ ไตรมาส + เดือน ไม่สามารถใช้ในการพยากรณ์ได้ โปรดดู เปลี่ยนฟิลด์ระหว่างแบบแยกกันกับแบบต่อเนื่อง สำหรับรายละเอียดเกี่ยวกับประเภทวันที่ที่แตกต่างกัน
วันที่ที่แน่นอนอ้างอิงจากจุดที่เฉพาะเจาะจงในประวัติที่มีมุมมองเวลาแบบละเอียดสูงสุด เช่น 1 กุมภาพันธ์ 2012 เวลา 14:23:45.0 วันที่ที่แน่นอนสามารถใช้งานการพยากรณ์ได้
การพยากรณ์สามารถทำได้โดยไม่มีวันที่ โปรดดูการพยากรณ์เมื่อไม่มีวันที่ในมุมมอง
มุมมองแบบละเอียดและการตัด
เมื่อคุณสร้างการพยากรณ์ คุณเลือกมิติวันที่ที่ระบุหน่วยของเวลาว่าจะวัดผลค่าวันที่ใด วันที่ของ Tableau รองรับหน่วยของเวลาจำนวนมาก รวมถึง ปี ไตรมาส เดือน และวัน หน่วยที่คุณเลือกสำหรับค่าวันที่ เรียกว่า มุมมองแบบละเอียด ของวันที่
ข้อมูลในการวัดผลปกติของคุณไม่ได้จัดเรียงอย่างแม่นยำกับหน่วยของมุมมองแบบละเอียด คุณอาจตั้งค่าวันที่เป็นไตรมาส แต่ข้อมูลจริงของคุณอาจสิ้นสุดกลางไตรมาส ตัวอย่างเช่น ในช่วงสิ้นเดือนพฤศจิกายน นี่อาจเป็นปัญหาได้ เพราะแบบจำลองการพยากรณ์จะพิจารณาว่าค่าสำหรับไตรมาสที่เป็นส่วนที่เหลือเป็นไตรมาสเต็ม ซึ่งจะทำให้มีค่าต่ำกว่าที่ไตรมาสเต็มควรจะเป็น หากแบบจำลองการพยากรณ์ยอมให้พิจารณาข้อมูลนี้ ผลการพยากรณ์จะไม่ถูกต้อง โซลูชันคือการตัดข้อมูล เพื่อละเว้นระยะเวลาส่วนที่เหลือที่อาจทำให้การพยากรณ์ผิดพลาด ใช้ตัวเลือก “ละเว้นส่วนสุดท้าย” ในกล่องโต้ตอบ “ตัวเลือกการพยากรณ์” เพื่อลบ หรือ ตัด ระยะเวลาส่วนที่เหลือนั้น ค่าเริ่มต้นจะเป็นการตัดหนึ่งส่วนของระยะเวลา
การเพิ่มข้อมูล
Tableau ต้องใช้จุดข้อมูลห้าจุดในอนุกรมเวลาเพื่อคาดการณ์แนวโน้ม และจุดข้อมูลที่เพียงพออย่างน้อยสองฤดูกาลหรือหนึ่งฤดูกาลบวกกับห้าส่วนระยะเวลาเพื่อคาดการณ์ความแปรผันตามฤดูกาล ตัวอย่างเช่น ต้องมีอย่างน้อยเก้าจุดข้อมูลในการคาดการณ์แบบจำลองตามรอบฤดูกาลสี่ไตรมาส (4 + 5) และอย่างน้อย 24 จุดข้อมูลในการคาดการณ์แบบจำลองตามรอบฤดูกาลสิบสองเดือน (2 * 12)
หากคุณเปิดใช้งานการพยากรณ์สำหรับมุมมองที่มีจุดข้อมูลไม่เพียงพอที่จะสนับสนุนการพยากรณ์ที่ดี Tableau อาจดึงจุดข้อมูลที่เพียงพอเพื่อสร้างการพยากรณ์ที่ถูกต้องโดยการค้นหาแหล่งข้อมูลสำหรับมุมมองแบบละเอียดในระดับที่ละเอียดยิ่งขึ้น
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้าปี โดยค่าเริ่มต้น Tableau จะค้นหาแหล่งข้อมูลเพื่อหาข้อมูลรายไตรมาส คาดการณ์การพยากรณ์รายไตรมาส และรวมไปเป็นการพยากรณ์รายปีเพื่อแสดงในมุมมองของคุณ หากยังคงมีจุดข้อมูลไม่เพียงพอ Tableau จะคาดการณ์การพยากรณ์รายเดือน และส่งคืนผลรวมการพยากรณ์รายปีไปที่มุมมองของคุณ
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้าไตรมาส โดยค่าเริ่มต้น Tableau จะคาดการณ์การพยากรณ์รายเดือน และส่งคืนผลรวมการพยากรณ์รายไตรมาสไปที่มุมมองของคุณ
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้าสัปดาห์ โดยค่าเริ่มต้น Tableau จะคาดการณ์การพยากรณ์รายวัน และส่งคืนผลรวมการพยากรณ์รายสัปดาห์ไปที่มุมมองของคุณ
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้าวัน โดยค่าเริ่มต้น Tableau จะคาดการณ์การพยากรณ์รายชั่วโมง และส่งคืนผลรวมการพยากรณ์รายวันไปที่มุมมองของคุณ
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้าชั่วโมง โดยค่าเริ่มต้น Tableau จะคาดการณ์การพยากรณ์รายนาที และส่งคืนผลรวมการพยากรณ์รายชั่วโมงไปที่มุมมองของคุณ
หากมุมมองของคุณมีข้อมูลน้อยกว่าเก้านาที โดยค่าเริ่มต้น Tableau จะคาดการณ์การพยากรณ์รายวินาที และส่งคืนผลรวมการพยากรณ์รายนาทีไปที่มุมมองของคุณ
การปรับเปลี่ยนนี้จะดำเนินการเบื้องหลังและไม่ต้องมีการกำหนดค่าใด Tableau จะไม่เปลี่ยนแปลงลักษณะการแสดงเป็นภาพของคุณ และจะไม่เปลี่ยนแปลงค่าวันที่ของคุณ อย่างไรก็ตาม ผลสรุปของระยะเวลาการพยากรณ์ในการโต้ตอบ “อธิบายการพยากรณ์และตัวเลือกการพยากรณ์” จะแสดงมุมมองแบบละเอียดที่ใช้จริง
Tableau สามารถเพิ่มข้อมูลได้เมื่อมีการรวมการวัดผลที่คุณจะพยากรณ์เป็น “ผลรวม" หรือ “การนับ” เท่านั้น โปรดดู การรวมข้อมูลใน Tableau สำหรับข้อมูลประเภทการรวมและข้อมูลวิธีการเปลี่ยนประเภทการรวม