Comparaison des prédictions pour les modèles de prévision (didacticiel sur l’exploration de données intermédiaire)

Dans les étapes précédentes de ce didacticiel, vous avez créé plusieurs modèles de série chronologique :

• Prédictions pour chaque combinaison de région et de modèle, basées uniquement sur les données du modèle et de la région individuels.

• Prédictions pour chaque région, en fonction des données mises à jour.

• Prédictions pour tous les modèles sur une base mondiale, basées sur des données agrégées.

• Prédictions pour le modèle M200 dans la région Amérique du Nord, basées sur le modèle agrégé.

Pour résumer les fonctionnalités des prédictions de série chronologique, vous allez passer en revue les modifications pour voir comment l’utilisation des options pour étendre ou remplacer les données ont affecté les résultats de prévision.

EXTEND_MODEL_CASES

REPLACE_MODEL_CASES

Comparaison des résultats d’origine avec les résultats après l’ajout de données

Examinons les données de la seule ligne de produit M200 dans la région Pacifique pour voir comment la mise à jour du modèle avec de nouvelles données affecte les résultats. N’oubliez pas que la série de données d’origine a pris fin en juin 2004 et que nous avons obtenu de nouvelles données pour juillet, août et septembre.

• La première colonne affiche les nouvelles données qui ont été ajoutées.

• La deuxième colonne montre la prévision de juillet et ultérieurement basée sur la série de données d’origine.

• La troisième colonne montre la prévision basée sur les données étendues.

M200 Pacifique	Données de ventes réelles mises à jour	Prévision avant l’ajout des données	Prédiction étendue
7-25-2008	65	32	65
8-25-2008	54	37	54
9-25-2008	61	32	61
10-25-2008	Pas de données	36	32
11-25-2008	Pas de données	31	41
12-25-2008	Pas de données	34	32

Vous remarquerez que les prévisions utilisant les données étendues (indiquées ici en gras) répètent exactement les points de données réels. La répétition est intentionnelle. Tant qu’il existe des points de données réels à utiliser, la requête de prédiction retourne les valeurs réelles et génère de nouvelles valeurs de prédiction uniquement une fois que les nouveaux points de données réels ont été utilisés.

En général, l’algorithme pondère les modifications dans les données nouvelles plus fortement que les données initiales du modèle. Toutefois, dans ce cas, les nouveaux chiffres de ventes représentent une augmentation de seulement 20 à 30 % au cours de la période précédente, de sorte qu’il n’y avait qu’une légère hausse des ventes prévues, après quoi les projections de ventes baissent de nouveau, plus en fonction de la tendance des mois avant les nouvelles données.

Comparaison des résultats de prédiction croisée et d’origine

N’oubliez pas que le modèle d’exploration de données d’origine a révélé de grandes différences entre les régions et les lignes de produits. Par exemple, les ventes pour le modèle M200 étaient très fortes, tandis que les ventes pour le modèle T1000 étaient assez faibles dans toutes les régions. De plus, certaines séries n’ont pas beaucoup de données. Les séries étaient irrégulières, c'est-à-dire qu'elles n'avaient pas le même point de départ.

Ainsi, comment les prédictions ont-elles changé lorsque vous avez effectué vos projections en fonction du modèle général, qui était basé sur des ventes à l’échelle mondiale, plutôt que sur les jeux de données d’origine ? Pour vous assurer que vous n’avez pas perdu d’informations ni d’asymétrie des prédictions, vous pouvez enregistrer les résultats dans une table, joindre la table des prédictions à la table des données historiques, puis graphe les deux ensembles de données historiques et de prédictions.

Le diagramme suivant est basé sur une seule ligne de produit, le M200. Le graphique compare les prédictions du modèle d’exploration de données initial par rapport aux prédictions à l’aide du modèle d’exploration de données agrégé.

À partir de ce diagramme, vous pouvez voir que le modèle d’exploration de données agrégé conserve la plage globale et les tendances des valeurs tout en réduisant les fluctuations de la série de données individuelle.

Conclusion

Vous avez appris à créer et à personnaliser un modèle de série chronologique qui peut être utilisé pour la prévision.

Vous avez appris à mettre à jour vos modèles de série chronologique sans avoir à les retraiter, en ajoutant de nouvelles données et en créant des prédictions à l’aide du paramètre, EXTEND_MODEL_CASES.

Vous avez appris à créer des modèles qui peuvent être utilisés pour la prédiction croisée, en utilisant le paramètre REPLACE_MODEL_CASES et en appliquant le modèle à une autre série de données.

Voir aussi

Didacticiel sur l’exploration de données intermédiaire (Analysis Services - Exploration de données)
Exemples de requêtes de modèle de série chronologique