Konfigurieren Sie eine Prognose in einer Zeitreihenvisualisierung

  • Freigeben Version: Yokohama
  • Aktualisiert 30. Januar 2025
  • 4 Minuten Lesedauer
  • Wenn eine Zeitreihenvisualisierung zur Anzeige von Prognosen konfiguriert ist, können Sie die Prognosen für diese Visualisierung konfigurieren.

    Vorbereitungen

    Bei diesem Verfahren wird davon ausgegangen, dass Sie eine Zeitreihenvisualisierung für eine Nicht-Tabellendatenquelle erstellt haben und die Prognose für diese Visualisierung konfigurieren möchten.
    Hinweis:
    Die Zusammenfassungen von Tageszeit oder Wochentag für Tabellendaten werden nicht unterstützt.

    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

    1. Öffnen Sie den Konfigurationsbereich der Zeitreihenvisualisierung.
    2. Aktivieren Sie unter Zusätzliche Einstellungendie Option Prognose anzeigen.
      Tabellendatenquellen unterstützen keine Prognosen.
    3. Wählen Sie Prognose konfigurierenaus.
      Der Bereich Prognose konfigurieren wird geöffnet.
    4. Füllen Sie die folgenden Felder aus:
      Feld Beschreibung
      Prognosemethode Die statistische Methode, die das System verwendet, um Werte für diesen Indikator zu prognostizieren. Der Standardwert ist „Autom.“, was bedeutet, dass das System eine Methode auswählt, die am besten zu den Daten passt. Weitere Informationen finden Sie unter Prognosemethoden und Automatische Auswahl von Prognosemethoden.
      Zeitraumlänge Die Anzahl der Datenpunkte, die zum Erstellen eines Musters in der Zeitreihe erforderlich sind.

      Wenn Sie Use default (Standard verwenden)auswählen, hängt die Periodendauer von der Häufigkeit der Datenquelle ab. Beispiel: Die Periodenlänge für eine Zeitreihe mit einer täglichen Häufigkeit beträgt standardmäßig 7 Datenpunkte. Weitere Informationen finden Sie unter Standardmäßige Längen des Prognosezeitraums.

      Anzahl der vorauszusehenden Prognosezeiträume Anzahl der Datenzeiträume in der Zukunft, für die Punktzahlen prognostiziert werden sollen.
      Unterer Grenzwert des Prognosebereichs Der niedrigste aussagekräftige Wert einer Prognosepunktzahl. Wenn eine niedrigere Punktzahl als dieser Wert prognostiziert wird, wird stattdessen dieser Wert angezeigt.
      Oberer Grenzwert des Prognosebereichs Der höchste aussagekräftige Wert einer Prognosepunktzahl. Wenn eine höhere Punktzahl als dieser Wert prognostiziert wird, wird stattdessen dieser Wert angezeigt.
    5. Wählen Sie aus, auf welchen Daten die Prognose basieren soll.
      OptionBezeichnung
      Visualisierungsdatumsbereich Alle Daten innerhalb des Datumsbereichs der Visualisierung
      Vorherige Zeiträume Die Anzahl der Datenzeiträume vor der Gegenwart, auf denen Prognosen basieren sollen. Diese Datenzeiträume haben die gleiche Länge wie die in Zeitraumlänge.

      Wenn Sie Vorherige Zeiträume auswählen, geben Sie auch die Anzahl der Zeiträume im Feld Anzahl der zu berücksichtigenden Zeiträume an.

      Bestimmtes Startdatum Alle Punktzahlen, die nach einem Startdatum gesammelt wurden. Wenn Sie Spezifisches Startdatum auswählen, geben Sie auch das Startdatuman.
      Warnung:
      Wenn nicht genügend Datenpunkte vorhanden sind, um eine Prognose zu generieren, wird nichts angezeigt, weder die Prognose noch eine Meldung.

    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