Сравнение прогнозов для моделей прогнозирования (учебник по интеллектуальному анализу промежуточных данных)

В предыдущих шагах этого руководства вы создали несколько моделей временных рядов:

• Прогнозы для каждого сочетания региона и модели, основанные только на данных для отдельной модели и региона.

• Прогнозы для каждого региона на основе обновленных данных.

• Прогнозы для всех моделей во всем мире на основе агрегированных данных.

• Прогнозы для модели M200 в регионе Северной Америки на основе агрегированной модели.

Чтобы подвести итоги функций прогнозирования временных рядов, вы должны просмотреть изменения, чтобы увидеть, как использование параметров для расширения или замены данных повлияло на результаты прогнозирования.

РАСШИРИТЬ_МОДЕЛЬ_СЛУЧАЕВ

REPLACE_MODEL_CASES

Сравнение исходных результатов с результатами после добавления данных

Давайте рассмотрим данные только для линейки продуктов M200 в Тихоокеанском регионе, чтобы узнать, как обновление модели с новыми данными влияет на результаты. Помните, что исходный ряд данных закончился в июне 2004 года, и мы получили новые данные за июль, август и сентябрь.

• В первом столбце показаны новые данные, добавленные.

• Второй столбец показывает прогноз для июля и более поздних версий на основе исходного ряда данных.

• Третий столбец показывает прогноз на основе расширенных данных.

M200 Pacific	Обновлены данные о реальных продажах	Прогноз перед добавлением данных	Расширенное прогнозирование
7-25-2008	65	32	65
8-25-2008	54	37	54
9-25-2008	61	32	61
10-25-2008	Нет данных.	36	32
11-25-2008	Нет данных.	31	41
12-25-2008	Нет данных.	34	32

Обратите внимание, что прогнозы, использующие расширенные данные (показанные здесь полужирным шрифтом), повторяют реальные точки данных точно. Повторение предусмотрено намеренно. Если есть реальные точки данных для использования, прогнозирующий запрос вернет фактические значения и выводит новые значения прогнозирования только после того, как новые фактические точки данных были использованы.

Как правило, алгоритм весит изменения в новых данных сильнее, чем данные с начала данных модели. Однако в этом случае новые показатели продаж представляют собой увеличение только на 20-30 процентов по сравнению с предыдущим периодом, поэтому наблюдался лишь небольшой рост прогнозируемых продаж, после чего они снова упали, что больше соответствует тенденции, наблюдавшейся в течение месяцев, предшествующих появлению новых данных.

Сравнение исходных и перекрестных результатов прогнозирования

Помните, что исходная модель анализа данных выявила значительные различия между регионами и продуктовыми линиями. Например, продажи для модели M200 были очень сильными, в то время как продажи для модели T1000 были довольно низкими во всех регионах. Кроме того, некоторые серии не имели большого объема данных. Серии были нерегулярными, то есть у них не было одного и того же отправного пункта.

Так как прогнозы изменились, когда вы сделали прогнозы на основе общей модели, которая была основана на мировых продажах, а не на исходных наборах данных? Чтобы убедиться в том, что вы не потеряли никакой информации или перекосили прогнозы, можно сохранить результаты в таблицу, присоединить таблицу прогнозов к таблице исторических данных, а затем графировать два набора исторических данных и прогнозов.

Следующая схема основана только на одной линейке продуктов M200. График сравнивает прогнозы из исходной модели интеллектуального анализа данных с прогнозами агрегированной модели интеллектуального анализа данных.

На этой схеме можно увидеть, что агрегированная модель анализа данных сохраняет общий диапазон и тенденции значений, минимизируя колебания отдельных рядов данных.

Заключение

Вы узнали, как создать и настроить модель временных рядов, которую можно использовать для прогнозирования.

Вы научились обновлять модели временных рядов без необходимости их повторной обработки, добавляя новые данные и создавая прогнозы с помощью параметра, EXTEND_MODEL_CASES.

Вы узнали, как создавать модели, которые можно использовать для перекрестного прогнозирования, используя параметр REPLACE_MODEL_CASES и применяя модель к другому ряду данных.

См. также

Руководство по промежуточному предсказательному моделированию (Analysis Services - анализ данных)
Примеры запросов модели временных рядов