or
Den här övningen är en del av kursen
Det första steget i varje dataanalys är att visualisera data. Diagram gör det möjligt att urskilja många egenskaper i data, däribland mönster, avvikande observationer och förändringar över tid. De mönster som syns i diagrammen bör sedan, så långt det är möjligt, beaktas i de prognosmetoder som används.
Aktuell övning
I det här kapitlet lär du dig generella verktyg som är användbara i många olika prognosticeringssituationer. Det behandlar referensmetoder för prognos, metoder för att kontrollera om en prognosmetod har utnyttjat tillgänglig information på ett adekvat sätt, samt metoder för att mäta prognosnoggrannhet. Alla verktyg som tas upp i kapitlet återkommer i efterföljande kapitel när du utvecklar och utforskar olika prognosmetoder.
Prognoser som skapas med exponentiell utjämning är viktade medelvärden av tidigare observationer, där vikterna minskar exponentiellt ju äldre observationerna är. Med andra ord: ju nyare en observation är, desto högre vikt tilldelas den. Det här ramverket genererar tillförlitliga prognoser snabbt och för ett brett spektrum av tidsserier, vilket är en stor fördel och av central betydelse för affärsapplikationer.
ARIMA-modeller erbjuder en annan metod för tidsserieprognoser. Exponentiell utjämning och ARIMA-modeller är de två mest använda metoderna för tidsserieprognoser och kompletterar varandra väl. Medan modeller för exponentiell utjämning bygger på en beskrivning av trend och säsongsmönster i data, syftar ARIMA-modeller till att beskriva autokorrelationerna i data.
Tidsseriemodellerna i tidigare kapitel fungerar bra för många tidsserier, men de passar ofta sämre för vecko- eller timdata, och de tillåter inte att annan information inkluderas – till exempel effekter av helgdagar, konkurrenters aktiviteter eller lagändringar. I det här kapitlet tittar du på metoder som hanterar mer komplex säsongsvariationen, och du undersöker hur ARIMA-modeller kan utökas för att inkludera sådan ytterligare information.