Vergleich der Vorhersagen für Prognosemodelle (Fortgeschrittenes Data-Mining-Lernprogramm)

In den vorherigen Schritten dieses Lernprogramms haben Sie mehrere Zeitreihenmodelle erstellt:

• Vorhersagen für jede Kombination aus Region und Modell, die nur auf Daten für das einzelne Modell und die Region basiert.

• Vorhersagen für jede Region basierend auf aktualisierten Daten.

• Vorhersagen für alle Modelle weltweit, basierend auf aggregierten Daten.

• Vorhersagen für das M200-Modell in der Region Nordamerika, basierend auf dem aggregierten Modell.

Um die Features für Zeitreihenvorhersagen zusammenzufassen, überprüfen Sie die Änderungen, um zu sehen, wie die Verwendung der Optionen zum Erweitern oder Ersetzen von Daten die Prognoseergebnisse beeinflusst hat.

EXTEND_MODEL_CASES

REPLACE_MODEL_CASES

Vergleichen der ursprünglichen Ergebnisse mit Ergebnissen nach dem Hinzufügen von Daten

Sehen wir uns die Daten nur für die M200-Produktlinie in der Region Pazifik an, um zu sehen, wie sich die Aktualisierung des Modells mit neuen Daten auf die Ergebnisse auswirkt. Denken Sie daran, dass die ursprüngliche Datenreihe im Juni 2004 endete und wir neue Daten für Juli, August und September erhalten haben.

• In der ersten Spalte werden die neuen Daten angezeigt, die hinzugefügt wurden.

• In der zweiten Spalte wird die Prognose für Juli und höher basierend auf der ursprünglichen Datenreihe angezeigt.

• Die dritte Spalte zeigt die Prognose basierend auf den erweiterten Daten.

M200 Pacific	Aktualisierte Realumsatzdaten	Prognose vor dem Hinzufügen von Daten	Erweiterte Vorhersage
7-25-2008	65	32	65
8-25-2008	54	37	54
9-25-2008	61	32	61
10-25-2008	Keine Daten	36	32
11-25-2008	Keine Daten	31	41
12-25-2008	Keine Daten	34	32

Sie werden feststellen, dass die Prognosen mit den erweiterten Daten (hier fett dargestellt) genau die tatsächlichen Datenpunkte wiederholen. Die Wiederholung ist beabsichtigt. Solange echte Datenpunkte verwendet werden, gibt die Vorhersageabfrage die tatsächlichen Werte zurück und gibt neue Vorhersagewerte erst aus, nachdem die neuen tatsächlichen Datenpunkte verwendet wurden.

Im Allgemeinen gewichtet der Algorithmus die Änderungen in den neuen Daten stärker als Daten vom Anfang der Modelldaten. In diesem Fall stellen die neuen Verkaufszahlen jedoch nur einen Anstieg von nur 20-30 Prozent im vorherigen Zeitraum dar, so dass es nur einen leichten Anstieg der projizierten Umsätze gab, nach denen die Umsatzprognosen wieder sinken, mehr im Einklang mit dem Trend in den Monaten vor den neuen Daten.

Vergleich der ursprünglichen und der Kreuzvorhersage-Ergebnisse

Denken Sie daran, dass das ursprüngliche Miningmodell große Unterschiede zwischen Regionen und zwischen Produktlinien aufgedeckt hat. So waren beispielsweise die Verkäufe für das M200-Modell sehr stark, während der Umsatz für das Modell T1000 in allen Regionen relativ niedrig war. Darüber hinaus hatten einige Serien nicht viel Daten. Reihen waren ungleichmäßig, was bedeutet, dass sie nicht denselben Ausgangspunkt hatten.

Wie änderten sich also die Vorhersagen, wenn Sie Ihre Projektionen basierend auf dem allgemeinen Modell vorgenommen haben, das auf weltweiten Verkäufen statt auf den ursprünglichen Datensätzen basiert? Um sich selbst zu vergewissern, dass Sie keine Informationen verloren oder die Vorhersagen schief geworfen haben, können Sie die Ergebnisse in einer Tabelle speichern, die Tabelle der Vorhersagen mit der Tabelle der historischen Daten verknüpfen und dann die beiden Sätze von historischen Daten und Vorhersagen graphisch erstellen.

Das folgende Diagramm basiert auf nur einer Produktlinie, der M200. Das Diagramm vergleicht die Vorhersagen aus dem anfänglichen Miningmodell mit den Vorhersagen mithilfe des aggregierten Miningmodells.

Anhand dieses Diagramms können Sie sehen, dass das aggregierte Miningmodell den Gesamtbereich und die Trends in Werten behält und gleichzeitig die Schwankungen in der einzelnen Datenreihe minimiert.

Schlussfolgerung

Sie haben gelernt, wie Sie ein Zeitreihenmodell erstellen und anpassen, das für die Prognose verwendet werden kann.

Sie haben gelernt, Ihre Zeitreihenmodelle zu aktualisieren, ohne sie erneut verarbeiten zu müssen, indem Sie neue Daten hinzufügen und Vorhersagen mithilfe des Parameters erstellen, EXTEND_MODEL_CASES.

Sie haben gelernt, Modelle zu erstellen, die für die Kreuzvorhersage verwendet werden können, indem Sie den REPLACE_MODEL_CASES-Parameter verwenden und das Modell auf eine andere Datenreihe anwenden.

Siehe auch

Fortgeschrittenes Daten-Mining-Lernprogramm (Analysis Services - Data Mining)
Abfragebeispiele für Zeitreihenmodelle