Comparación de predicciones para modelos de previsión (Tutorial intermedio de minería de datos)

En los pasos anteriores de este tutorial, creó varios modelos de serie temporal:

• Predicciones para cada combinación de región y modelo, en función solo de los datos del modelo y la región individuales.

• Predicciones para cada región, en función de los datos actualizados.

• Predicciones para todos los modelos en todo el mundo, basadas en datos agregados.

• Predicciones del modelo M200 en la región norteamérica, en función del modelo agregado.

Para resumir las funciones de las predicciones de series temporales, revisará los cambios para ver cómo el uso de las opciones para extender o reemplazar los datos afectó los resultados de pronóstico.

EXTEND_MODEL_CASES

REPLACE_MODEL_CASES

Comparación de los resultados originales con resultados después de agregar datos

Echemos un vistazo a los datos de solo la línea de productos M200 de la región del Pacífico para ver cómo la actualización del modelo con nuevos datos afecta a los resultados. Recuerde que la serie de datos original finalizó en junio de 2004 y obtuvimos nuevos datos para julio, agosto y septiembre.

• En la primera columna se muestran los nuevos datos agregados.

• En la segunda columna se muestra la previsión de julio y versiones posteriores en función de la serie de datos original.

• En la tercera columna se muestra la previsión basada en los datos extendidos.

Observará que las previsiones que usan los datos extendidos (que se muestran aquí en negrita) repiten exactamente los puntos de datos reales. La repetición es por diseño. Siempre que haya puntos de datos reales que se van a usar, la consulta de predicción devolverá los valores reales y generará nuevos valores de predicción solo después de que se hayan usado los nuevos puntos de datos reales.

En general, el algoritmo pondera los cambios en los nuevos datos más fuertemente que los datos desde el principio de los datos del modelo. Sin embargo, en este caso, las nuevas cifras de ventas representan un aumento de solo 20-30 por ciento durante el período anterior, por lo que solo hubo un ligero aumento en las ventas proyectadas, después de lo cual las proyecciones de ventas se volvieron a reducir, más en línea con la tendencia en los meses anteriores a los nuevos datos.

Comparación de los resultados originales y de predicción cruzada

Recuerde que el modelo de minería original reveló grandes diferencias entre regiones y entre líneas de productos. Por ejemplo, las ventas del modelo M200 eran muy fuertes, mientras que las ventas del modelo T1000 eran bastante bajas en todas las regiones. Además, algunas series no tenían muchos datos. Las series eran irregulares, lo que significa que no tenían el mismo punto de partida.

Por lo tanto, ¿cómo cambiaron las predicciones al realizar las proyecciones en función del modelo general, que se basaba en las ventas de todo el mundo, en lugar de en los conjuntos de datos originales? Para asegurarse de que no ha perdido ninguna información o sesgado las predicciones, puede guardar los resultados en una tabla, unir la tabla de predicciones a la tabla de datos históricos y, a continuación, grafo los dos conjuntos de datos históricos y predicciones.

El siguiente diagrama se basa en una sola línea de producto, la M200. El gráfico compara las predicciones del modelo de minería de datos inicial con las predicciones mediante el modelo de minería de datos agregado.

En este diagrama, puede ver que el modelo de minería de datos agregado conserva el intervalo general y las tendencias en los valores, a la vez que minimiza las fluctuaciones de la serie de datos individual.

Conclusión

Ha aprendido a crear y personalizar un modelo de serie temporal que se puede usar para la previsión.

Ha aprendido a actualizar los modelos de serie temporal sin tener que volver a procesarlos, agregando nuevos datos y creando predicciones mediante el parámetro , EXTEND_MODEL_CASES.

Ha aprendido a crear modelos que se pueden usar para la predicción cruzada mediante el parámetro REPLACE_MODEL_CASES y la aplicación del modelo a una serie de datos diferente.

Véase también

Tutorial intermedio de minería de datos (Analysis Services - Minería de datos)
Ejemplos de consultas del modelo de serie temporal