Power BI předpovědi - Jak používat prediktivní analýzu v Power BI
O vizualizacích dat toho již bylo řečeno mnoho. Problém nastává ve chvíli, kdy chceme vizualizovat data, která nemáme. Ano, bavíme se o predikci budoucích dat jako jsou plány. A nezáleží na tom, zda jde o prodeje v kusech nebo obrat v korunách. Pokud máme dostatečné množství historických dat, není problém se s nějakou pravděpodobností podívat také na vývoj do budoucnona. Power BI k tomu nabízí funkci forecastingu, na kterou se dnes podíváme.
Prvním krokem pro vytvoření odpovídající predikce je načtení dostatečného množství historických dat. Nutně nezáleží na tom, zda jsou data na denní nebo měsíční bázi, každopádně potom s tím musíme kalkulovat v predikci. Na základě měsíčních dat není možné zpracovat odpovídající predikci denní prodejů.
Díky časovým řadám (dny, týdny, měsíce …) lze sledovat různé trendy a datech. Může jít o cykličnost, sezónnost nebo anomálie, které člověk není schopen pouhým pohledem na graf identifikovat. V praxi se potom predikce mohou využít pro předpověď ekonomických cyklů nebo zemětřesení.
Nyní již k samotnému forecastingu. Po načtení dat do Power BI a provedení potřebných transformací vytvoříme vizuál čárový graf. Na ose X budou časová data a na ose Y se promítnou hodnoty, které chceme predikovat (obrat, kusy …). Dále přejdeme do Analytické záložky v Power BI Desktop. Ta nám dovolí přidat do vizuálů budoucí trendy.
Po kliknutí na přidání Předpovědi se již v grafu zobrazí její první návrh. Co vidíme je křivka předpovědi a okolo ní šedá zóna, která zobrazuje konfidenční interval. Tedy interval, do kterého hodnoty s největší pravděpodobností budou spadat.
Záložka nám nyní nabízí několik možností, jak vytvořenou předpověď upravovat. Můžeme měnit časový horizont, pro který je predikce vytvořena. Zároveň lze měnit i přesnost, s jakou bude predikce vytvořena. Mimo jiné graf nabízí i nastavení do jaké míry jsou data zatížena sezónností.
Nakonec můžeme i ověřit vytvořenou předpověď a nastavit ji tak, aby co nejvíce odpovídala našim datům. Můžeme vybrat zanedbání dat za poslední například 3 měsíce, predikce tak bude vytvořena na základě dat předchozích a na datech, které jsme odebrali se porovná vytvořená predikce.
Toto bylo pouze představení jedné z možností pro forecasting. Možností je mnoho a zahrnout lze jak možnosti společnosti Microsoft, tak jiné Machine Learning modely třeba programovacího jazyka Python.
