Configurer une prévision dans une visualisation de données de séries chronologiques

Si une visualisation de séries chronologiques est configurée pour afficher des prévisions, vous pouvez configurer les prévisions pour cette visualisation.

Avant de commencer

Cette procédure suppose que vous avez créé une visualisation de séries chronologiques pour une source de données autre qu’une table et que vous souhaitez configurer la prévision pour cette visualisation.

Remarque :

Les agrégations Heure du jour ou Jour de la semaine sur les données de table ne sont pas prises en charge.

Rôle requis : tout rôle permettant de créer une visualisation de séries chronologiques. Pour les sources de données non indicatrices, un abonnement à Analyse des performances est également requis.

Pourquoi et quand exécuter cette tâche

Lorsque vous configurez la prévision sur une visualisation de données, vous remplacez toute configuration de prévision définie sur la source de données, telle qu’un indicateur. Le contournement s’applique uniquement à la visualisation de données spécifique.

Procédure

1. Ouvrez le panneau de configuration de la visualisation des séries chronologiques.
2. Dans Paramètres supplémentaires, activez Afficher la prévision.
   Les sources de données de table ne prennent pas en charge la prévision.
3. Sélectionnez Configurer la prévision.
   Le volet Configure Forecast (Configurer la prévision ) s’ouvre.
4. Renseignez les champs suivants :

   Champ	Description
   Méthode de prévision	Méthode statistique utilisée par le système pour prévoir les valeurs de cet indicateur. La valeur par défaut est Auto, ce qui signifie que le système choisit la méthode qui correspond le mieux aux données. Pour plus d'informations, consultez Méthodes de prévision et Sélection automatique des méthodes de prévision.
   Durée de la période	Nombre de points de données nécessaires pour établir un modèle dans la série chronologique. Si vous sélectionnez Utiliser la valeur par défaut, la durée de la période dépend de la fréquence de la source de données. Par exemple, la durée de la période d’une série chronologique avec une fréquence quotidienne est de 7 points de données par défaut. Pour plus d'informations, consultez Longueurs des périodes de prévision par défaut.
   Nombre de périodes à projeter	Nombre de périodes de données dans le futur pour lesquelles prévoir les scores.
   Limite inférieure de la plage de prévision	La valeur significative la plus basse d’un score de prévision. Si un score inférieur à cette valeur est prévu, cette valeur s’affiche à la place.
   Limite supérieure de la plage de prévision	La valeur significative la plus élevée d’un score de prévision. Si un score supérieur à cette valeur est prévu, cette valeur s’affiche à la place.

5. Sélectionnez les données sur lesquelles baser la prévision.

   Option	Description
   Plage de dates de visualisation	Toutes les données comprises dans la plage de dates de la visualisation
   Périodes précédentes	Nombre de périodes de données avant le présent sur lesquelles baser les prévisions. Ces périodes de données sont de la même longueur que celles de la durée des règles. Si vous sélectionnez Périodes précédentes, spécifiez également le nombre de périodes dans le champ Nombre de périodes à prendre en compte .
   Date de début spécifique	Tous les scores collectés après une date de début. Si vous sélectionnez Date de début spécifique, spécifiez également la date de début.

   Avertissement :

   Si les points de données sont insuffisants pour générer une prévision, rien n’est affiché, ni la prévision ni un message.

Concepts associés

• Prévisions des scores d’Analyse des performances

Méthodes de prévision

La prévision utilise des méthodes statistiques standard. Vous pouvez sélectionner une méthode ou laisser le système en choisir une automatiquement.

Méthode	Description
Linéaire	Génère une prévision de régression linéaire basée sur les scores historiques, en utilisant la constante et la tendance comme variables explicatives.
Saisonnier	Génère une prévision de régression linéaire basée sur les scores historiques, en utilisant des variables indicatrices saisonnières comme variables explicatives. Une « saison » pour cette analyse est une période.
Tendance saisonnière	Comme saisonnier, mais inclut une tendance comme variable explicative.
Tendance saisonnière basée sur Loess (STL)	Génère une prévision saisonnière basée sur une fonction la mieux adaptée. Cette méthode ajuste une tendance, une saison et un processus de bruit aléatoire aux données en utilisant une approche de moyenne mobile à pondération exponentielle. La prévision est basée sur l’ensemble des données, avec plus de poids accordé aux observations plus récentes Une « saison » pour cette analyse est une période.
Forêt aléatoire (RF)	Crée une combinaison d’arbres de décision où la moyenne des prédictions produites par ces arbres est calculée pour obtenir une seule prédiction. Le caractère aléatoire vient du fait que chaque arbre est construit à partir d’un sous-ensemble aléatoire de données et d’entrées disponibles. Pour plus d’informations sur la méthode de la forêt aléatoire, consultez cet article de Medium.
Auto-régressif (AR)	Le modèle autorégressif (AR) prévoit les valeurs futures d’un indicateur en utilisant une combinaison linéaire d’une tendance, de variables indicatrices saisonnières et de valeurs passées. Comme le modèle Random Forest (RF), le modèle AR recherche le meilleur nombre de décalages. Cependant, le modèle AR relie linéairement les valeurs actuelles aux valeurs passées, tandis que le modèle RF n’est pas linéaire.

Sélection automatique des méthodes de prévision

Si vous êtes un expert en statistiques, vous pouvez sélectionner une méthode de prévision manuellement. Par défaut, l’instance choisit automatiquement la meilleure méthode pour vous, en fonction de l’ajustement de la méthode.

Pour déterminer la méthode de prévision la mieux adaptée, l’instance génère des prévisions à l’aide de chaque méthode de prévision avec vos données historiques. L’instance compare ensuite ces prévisions avec les dernières données en fonction de l’avance que vous souhaitez obtenir. L’instance effectue cette évaluation chaque fois qu’elle affiche la prévision. Par conséquent, la collecte de scores supplémentaires ou la modification de la période de prévision peut modifier la méthode de prévision utilisée.

Considérez la visualisation d’une série chronologique d’un Analyse des performances indicateur avec une fréquence quotidienne. Vous configurez la prévision sur la visualisation pour utiliser une durée de période de 7 jours et pour baser les prévisions sur les deux périodes précédentes. L’instance applique chaque méthode de prévision à vos données historiques de plus de deux semaines. Ensuite, l’instance compare ces prévisions aux deux dernières semaines de données. La prévision qui correspond le mieux aux deux dernières semaines de données est ensuite recalculée à l’aide de l’ensemble des données. La visualisation montre les résultats de ce calcul final.

Longueurs des périodes de prévision par défaut

Les périodes de prévision ont une longueur par défaut qui dépend de la fréquence des sources de données. Toutes les sources de données n’ont pas les mêmes fréquences.

Durée des périodes par défaut communes à toutes les sources de données

Fréquence des scores	Nombre de points de données par période	Durée totale de la période
Tous les jours	7	1 semaine
Toutes les semaines	13	1 trimestre
Deux fois par semaine	6	1 trimestre
Quatre fois par semaine	13	1 année
Tous les mois	12	1 année
Deux fois par mois	6	1 année
Trimestriel	4	1 année
Par trimestre fiscal	4	1 année
Semestriel	2	1 année
Annuel	4	4 années
Par exercice fiscal	4	4 années

Durée des périodes par défaut unique à MetricBase

Fréquence des scores	Nombre de points de données par période	Durée totale de la période
Minutieusement	100	Dynamique, contrôlé par source de données en fonction de la requête