Comparando previsões para modelos de previsão (Tutorial de mineração de dados intermediário)

Nas etapas anteriores deste tutorial, você criou vários modelos de série temporal:

• Previsões para cada combinação de região e modelo, com base apenas em dados para o modelo individual e a região.

• Previsões para cada região, com base nos dados atualizados.

• Previsões para todos os modelos em todo o mundo, com base em dados agregados.

• Previsões para o modelo M200 na região da América do Norte, com base no modelo agregado.

Para resumir os recursos para previsões de séries temporais, você revisará as alterações para ver como o uso das opções para estender ou substituir dados afetou os resultados das previsões.

EXTEND_MODEL_CASES

REPLACE_MODEL_CASES

Comparando os resultados originais com os resultados após a adição de dados

Vamos examinar os dados apenas da linha de produtos M200 na região do Pacífico para ver como atualizar o modelo com novos dados afeta os resultados. Lembre-se de que a série de dados original terminou em junho de 2004 e obtivemos novos dados para julho, agosto e setembro.

• A primeira coluna mostra os novos dados que foram adicionados.

• A segunda coluna mostra a previsão para julho e posterior com base na série de dados original.

• A terceira coluna mostra a previsão com base nos dados estendidos.

M200 Pacific	Dados reais de vendas atualizados	Previsão antes de os dados serem adicionados	Previsão estendida
7-25-2008	65	32	65
8-25-2008	54	37	54
9-25-2008	61	32	61
10-25-2008	Sem dados	36	32
11-25-2008	Sem dados	31	41
12-25-2008	Sem dados	34	32

Você observará que as previsões que usam os dados estendidos (mostrados aqui em negrito) repetem exatamente os pontos de dados reais. A repetição é intencional. Desde que haja pontos de dados reais a serem usados, a consulta de previsão retornará os valores reais e gerará novos valores de previsão somente depois que os novos pontos de dados reais forem usados.

Em geral, o algoritmo pondera as alterações nos novos dados mais fortemente do que os dados do início dos dados do modelo. No entanto, nesse caso, os novos números de vendas representam um aumento de apenas 20 a 30% em relação ao período anterior, portanto, houve apenas um leve aumento nas vendas projetadas, após a qual as projeções de vendas caem novamente, mais em linha com a tendência nos meses anteriores aos novos dados.

Comparando os resultados originais e de previsão cruzada

Lembre-se de que o modelo de mineração original revelou grandes diferenças entre regiões e entre linhas de produto. Por exemplo, as vendas para o modelo M200 foram muito fortes, enquanto as vendas para o modelo T1000 foram bastante baixas em todas as regiões. Além disso, algumas séries não tinham muitos dados. As séries estavam desalinhadas, ou seja, elas não tinham o mesmo ponto inicial.

Então, como as previsões mudaram quando você fez suas projeções com base no modelo geral, que se baseava em vendas em todo o mundo, em vez dos conjuntos de dados originais? Para garantir que você não perdeu nenhuma informação ou distorceu as previsões, você pode salvar os resultados em uma tabela, unir a tabela de previsões à tabela de dados históricos e, em seguida, grafar os dois conjuntos de dados históricos e previsões.

O diagrama a seguir é baseado em apenas uma linha de produto, o M200. O grafo compara as previsões do modelo de mineração inicial com as previsões usando o modelo de mineração agregado.

Neste diagrama, você pode ver que o modelo de mineração agregado preserva o intervalo geral e as tendências em valores, minimizando as flutuações na série de dados individual.

Conclusão

Você aprendeu a criar e personalizar um modelo de série temporal que pode ser usado para previsão.

Você aprendeu a atualizar seus modelos de série temporal sem precisar reprocessá-los, adicionando novos dados e criando previsões usando o parâmetro, EXTEND_MODEL_CASES.

Você aprendeu a criar modelos que podem ser usados para previsão cruzada usando o parâmetro REPLACE_MODEL_CASES e aplicando o modelo a uma série de dados diferente.

Consulte Também

Tutorial de mineração de dados intermediário (Analysis Services – Mineração de dados)
Exemplos de consulta de modelo de série temporal