Barbara
QUICK AND EASY TIME-SERIES FORECASTING IN POWERBI: A PRACTICAL GUIDE
La prévision des séries temporelles est devenue une méthode omniprésente pour les entreprises, les gouvernements et les particuliers. Aujourd’hui, elle est appliquée dans presque tous les domaines imaginables : pour prédire les actions et les taux d’intérêt en finance, pour prédire la capacité des lits hospitaliers en santé, pour planifier les itinéraires et les modèles de trafic en transport, pour prédire l’offre et la demande d’énergie, et la liste continue.
POWERBI : LA SOLUTION POUR LA PRÉVISION DES SÉRIES TEMPORIELLES
PowerBI a créé une solution conviviale et facile à utiliser pour permettre une installation rapide et transparente. Avec les outils intégrés, les utilisateurs peuvent configurer rapidement un système de prévision des séries temporelles en quelques clics. Dans cet article, nous vous fournirons un guide pratique étape par étape sur la mise en place de PowerBI.
LE FONCTIONNEMENT DU SYSTÈME DE PRÉVISION
Le système de PowerBI utilise une méthode appelée “exponential smoothing” : un algorithme robuste capable de capturer les tendances des données de séries temporelles, tout en supprimant le bruit et la variation non désirée. En termes simples, l’exponential smoothing prend une moyenne pondérée des observations passées, en accordant plus de poids aux observations récentes. Cela signifie que les poids diminuent exponentiellement à mesure que les observations sont plus anciennes. L’idée derrière cela est que les observations récentes sont plus informatives sur les comportements futurs que les observations lointaines.
DIFFÉRENTES VARIANTES DE L’EXONENTIAL SMOOTHING
Il existe plusieurs variations de l’exponential smoothing. Chaque méthode utilise une combinaison différente des composantes de niveau, de tendance et de saisonnalité pour effectuer des prévisions. PowerBI utilise deux algorithmes différents de la famille des modèles ETS, selon la saisonnalité des données historiques fournies par l’utilisateur : (1) ETS AAA pour les données saisonnières et (2) ETS AAN pour les données non saisonnières.
CONFIGURATION DU SYSTÈME DE PRÉVISION
Pour configurer rapidement un système de prévision des séries temporelles en PowerBI, il suffit de suivre des étapes simples:
Étape 1: Charger les données de séries temporelles dans PowerBI.
Étape 2: Créer un graphique linéaire contenant la série temporelle et s’assurer que le type d’axe X est continu.
Étape 3: Dans le volet Visualisations, naviguer jusqu’à Ajouter des analyses supplémentaires à votre visual et activer la Prévision.
Étape 4: Sous Options, vous pouvez définir des paramètres et des configurations personnalisées tels que les unités, la longueur de la prévision, l’ignorance de la dernière, la saisonnalité et l’intervalle de confiance.
PAS DE SAISONNALITÉ DANS LES DONNÉES
Si les données historiques ne contiennent pas de sérialité, PowerBI utilise l’algorithme ETS AAN. Dans ce cas, seules les composantes d’erreur et de tendance sont prises en compte pour effectuer les prévisions. Après avoir configuré tous les paramètres, le système de prévision sera capable de prédire une valeur possible pour une période future donnée.
ÉVALUATION DU MODÈLE DE PRÉVISION
Une fois que le système de prévision a été mis en place, il est crucial de l’évaluer pour vérifier son fonctionnement via un processus appelé hindcasting. L’hindcasting consiste à générer des “prévisions” sur des valeurs passées et à les comparer aux valeurs réelles. En utilisant cette méthode, l’utilisateur peut évaluer la qualité des prévisions en analysant les performances du modèle dans le passé.
CONCLUSION
PowerBI offre une solution simple pour configurer un système de prévision des séries temporelles en quelques clics. Les organisations et les individus peuvent désormais utiliser leurs données historiques pour générer des prévisions exploitables sur les tendances et les événements futurs. Toutefois, il est important de noter que la précision de ces prévisions dépend de la qualité et de la quantité des données historiques, qui nécessitent une évaluation constante et un ajustement régulier du modèle de prévision.
Sources:
– “Quick and Easy Time-Series Forecasting in PowerBI: A Practical Guide”, par Thomas A Dorfer, Mai 2023.
– “Exponential smoothing” Microsoft, consulté le 15 juin 2023.
