Konfigurieren Sie eine Prognose in einer Zeitreihenvisualisierung
Wenn eine Zeitreihenvisualisierung zur Anzeige von Prognosen konfiguriert ist, können Sie die Prognosen für diese Visualisierung konfigurieren.
Vorbereitungen
Erforderliche Rolle: Jede Rolle, die eine Zeitreihenvisualisierung erstellen kann. Für Nicht-Indikator-Datenquellen ist außerdem ein Abonnement für Performance Analytics erforderlich.
Warum und wann dieser Vorgang ausgeführt wird
Wenn Sie die Prognose für eine Datenvisualisierung konfigurieren, überschreiben Sie alle Prognosekonfigurationen, die für die Datenquelle festgelegt wurden, z. B. einen Indikator. Die Überschreibung gilt nur für die spezifische Datenvisualisierung.
Prozedur
Prognosemethoden
Für die Prognose werden standardmäßige statistische Methoden verwendet. Sie können eine Methode auswählen oder das System automatisch eine Methode auswählen lassen.
| Methode | Beschreibung |
|---|---|
| Linear | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen, wobei Konstante und Trend als erklärende Variablen verwendet werden. |
| Saisonal | Generiert eine lineare Regressionsprognose basierend auf den historischen Punktzahlen unter Verwendung von saisonalen Dummies als erklärende Variablen. Eine „Saison“ ist für diese Analyse ein Zeitraum. |
| Saisonaler Trend | Wie saisonal, enthält jedoch einen Trend als erklärende Variable. |
| Seasonal Trend Loess (STL) | Generiert eine saisonale Vorhersage basierend auf einer Best-Match-Funktion. Diese Methode passt einen Trend, eine Saison und einen zufälligen Rauschprozess an die Daten an, indem ein exponentiell gewichteter Ansatz des gleitenden Durchschnitts verwendet wird. Die Prognose basiert auf dem vollständigen Datensatz, wobei neueren Beobachtungen mehr Gewichtung zugewiesen wird Eine „Saison“ ist für diese Analyse ein Zeitraum. |
| Zufällige Gesamtstruktur (RF) | Erstellt eine Kombination von Entscheidungsstrukturen, bei der die von diesen Entscheidungsbäumen erzeugten Vorhersagen gemittelt werden, um eine einzige Vorhersage zu erhalten. Die Zufälligkeit ergibt sich aus jeder Struktur, die aus einer zufälligen Teilmenge der verfügbaren Daten und Eingaben erstellt wird. Weitere Informationen zur Methode der zufälligen Gesamtstruktur finden Sie in diesem mittleren Artikel. |
| Autoregressiv (AR) | Das autoregressive Modell (AR) prognostiziert zukünftige Werte eines Indikators mithilfe einer linearen Kombination aus einem Trend, saisonalen Dummies und vergangenen Werten. Wie das RF-Modell (RandomForest) sucht das AR-Modell nach der besten Anzahl von Verzögerungen. Das AR-Modell bezieht sich jedoch linear auf aktuelle Werte zu vergangenen Werten, während das RF-Modell nicht linear ist. |
Automatische Auswahl von Prognosemethoden
Wenn Sie ein Statistikexperte sind, können Sie manuell eine Prognosemethode auswählen. Standardmäßig wählt die Instanz automatisch die beste Methode für Sie aus, je nach Eignung der Methode.
Um die am besten passende Vorhersagemethode zu bestimmen, generiert die Instanz Vorhersagen mit jeder Vorhersagemethode mit Ihren Verlaufsdaten. Die Instanz vergleicht diese Vorhersagen dann mit den neuesten Daten, je nachdem, wie weit Sie vorhersagen möchten. Die Instanz führt diese Auswertung jedes Mal aus, wenn die Vorhersage angezeigt wird. Daher kann das Sammeln zusätzlicher Punktzahlen oder das Ändern des Prognosezeitraums die verwendete Prognosemethode ändern.
Betrachten Sie eine Zeitreihenvisualisierung eines Indikators Performance Analytics mit einer täglichen Häufigkeit. Konfigurieren Sie die Prognose für die Visualisierung so, dass eine Periodenlänge von 7 Tagen verwendet wird und die Prognosen auf den vorherigen beiden Zeiträumen basieren. Die Instanz wendet jede Prognosemethode auf Ihre Verlaufsdaten an, die älter als zwei Wochen sind. Dann vergleicht die Instanz diese Vorhersagen mit den Daten der letzten zwei Wochen. Die Vorhersage, die den Daten der letzten zwei Wochen am nächsten kommt, wird dann unter Verwendung des gesamten Datensatzes neu berechnet. Die Visualisierung zeigt die Ergebnisse dieser endgültigen Berechnung.
Standardmäßige Längen des Prognosezeitraums
Prognosezeiträume haben eine Standardlänge, die von der Häufigkeit der Datenquellen abhängt. Nicht alle Datenquellen haben die gleichen Häufigkeiten.
Standardmäßige Zeitraumlängen, die allen Datenquellen gemeinsam sind
| Häufigkeit der Punktzahlen | Anzahl der Datenpunkte pro Zeitraum | Gesamte Periodenlänge |
|---|---|---|
| Täglich | 7 | 1 Woche |
| Wöchentlich | 13 | 1 Quartal |
| Zweiwöchentlich | 6 | 1 Quartal |
| Alle vier Wochen | 13 | 1 Jahr |
| Monatlich | 12 | 1 Jahr |
| Zweimonatlich | 6 | 1 Jahr |
| Vierteljährlich | 4 | 1 Jahr |
| Pro Geschäftsquartal | 4 | 1 Jahr |
| Halbjährlich | 2 | 1 Jahr |
| Jährlich | 4 | 4 Jahre |
| Pro Geschäftsjahr | 4 | 4 Jahre |
Standardmäßige Zeitraumlängen, die für eindeutig sind MetricBase
| Häufigkeit der Punktzahlen | Anzahl der Datenpunkte pro Zeitraum | Gesamte Periodenlänge |
|---|---|---|
| Exakt | 100 | Dynamisch, gesteuert durch die Datenquelle, abhängig von der Abfrage |