Da oggi parte la nostra nuova rubrica dedicata al forecasting in Tableau Desktop; sapevate che è possibile realizzare delle vere e proprie previsioni sui nostri dati? Se la risposta è no, speriamo di potervi fornire un ulteriore strumento che potrà dare più valore alle vostre analisi!
Il nostro viaggio toccherà diversi temi: i modelli che Tableau implementa di default, come poterli customizzare e come implementare altri modelli di previsione grazie alle integrazioni native di Tableau verso Python e R.
Modellare il futuro con Tableau Desktop
Il forecasting è uno di quei temi che spesso non vengono affrontati dalla community di Tableau. Alla base di questa funzionalità vi sono diversi modelli che possono aiutare gli analisti a comprendere l’evoluzione dei propri dati nel tempo.
La previsione dei valori futuri riguarda l’analisi delle cosiddette time-series, le serie temporali, che utilizzano dei modelli chiamati Exponential Smoothing.
La scelta del modello da applicare per il forecast varia a partire dai dati che vogliamo analizzare. In automatico, Tableau consiglia all’utente il miglior modello da applicare, ma questo può essere ulteriormente personalizzato sulla base di alcuni parametri, che approfondiremo in seguito.
I modelli Exponential Smoothing
Alla base del forecasting di Tableau troviamo i cosiddetti modelli a livellamento esponenziale (Exponential Smoothing Models). Questi modelli prevedono i valori di una serie temporale a partire da una media ponderata, con pesi esponenzialmente crescenti. In questo modo, le osservazioni recenti avranno un peso maggiore rispetto ai valori passati. Secondo la logica di questo modello, i valori futuri sono il risultato di una componente generale che riassume i valori passati e di un contributo specifico dei valori più recenti.
Scegli il modello adatto ai dati
Per avere un buon forecast, dobbiamo trovare un modello che spieghi al meglio i dati che abbiamo davanti. Senza un buon modello, avremo un forecast di bassa qualità e la stima fatta non sarà accurata. Tableau seleziona automaticamente il migliore tra diversi modelli, quello cioè in grado di generare la qualità più alta nelle previsioni.
Possiamo affidare a Tableau il compito di selezionare la migliore configurazione per il modello, oppure scegliere di customizzarlo. Se prendiamo questa seconda strada, potremo specificare le caratteristiche di trend e stagionalità in modo indipendente tra loro. Con “trend” ci riferiamo alla tendenza nei dati di crescere o decrescere nel tempo; la stagionalità è invece una variazione che si ripete nel tempo e che può essere prevista.
Su Tableau possiamo decidere come configurare trend e stagionalità scegliendo tra due caratteristiche del modello: Additive e Multiplicative.
Nel modello Additive, l’effetto combinato di diversi fattori indipendenti è la somma degli effetti isolati di ogni fattore. In altri termini, il contributo delle diverse componenti del modello viene sommato.
Invece, nel modello Multiplicative, l’effetto combinato di diversi fattori indipendenti è il prodotto degli effetti isolati di ogni fattore. In altri termini, il contributo delle diverse componenti del modello viene moltiplicato. Questo modello può migliorare la qualità del forecast per i dati in cui trend e stagionalità sono influenzati dalla quantità dei dati a disposizione.
Quale modello è preferibile?
La scelta del modello da applicare è un elemento chiave da tenere in considerazione per fare delle previsioni accurate. Tableau ci consiglia di default la migliore configurazione da utilizzare per le nostre analisi, ma (come vedremo meglio successivamente) ci permette anche di personalizzare l’impostazione del modello da applicare. Una scelta possibile è quella di provare ad applicare diversi modelli, per capire qual è quello che meglio si adatta ai dati che vogliamo analizzare.
Sei curioso di saperne di più sul forecasting in Tableau? Continua a seguirci sul nostro blog e sui nostri canali social Facebook e LinkedIn e visita la pagina ufficiale di Tableau!
