¿Sabías que es posible hacer previsiones (forecasting) sobre nuestros datos? Si la respuesta es negativa, esperamos proporcionarle una herramienta adicional que añada valor a su análisis.
Nuestro viaje tocará varios temas: los modelos que Tableau implementa por defecto, cómo personalizarlos y cómo implementar otros modelos de predicción gracias a las integraciones nativas de Python y R de Tableau.
Modelar el futuro con Tableau Desktop
La previsión es uno de esos temas que a menudo no son abordados por la comunidad de Tableau. Bajo esta funcionalidad hay varios modelos que pueden ayudar a los analistas a entender cómo evolucionarán los datos con el tiempo.
La predicción de valores futuros implica el análisis de las denominadas series temporales mediante modelos denominados de Exponential Smoothing.
La elección del modelo a aplicar para la previsión varía en función de los datos que queramos analizar. Tableau aconseja automáticamente al usuario sobre el mejor modelo a aplicar, pero éste puede personalizarse aún más en función de ciertos parámetros, de los que hablaremos más adelante.
Modelos de Exponential Smoothing
El núcleo de las previsiones de Tableau son los modelos de suavización exponencial. Estos modelos pronostican los valores de una serie temporal a partir de una media ponderada, con pesos exponencialmente crecientes. De este modo, las observaciones recientes tendrán un mayor peso que los valores pasados. Según la lógica de este modelo, los valores futuros son el resultado de un componente general que resume los valores pasados y una contribución específica de los valores más recientes.
Elige el modelo adecuado para tus datos
Para tener una buena previsión, tenemos que encontrar el modelo que mejor explique los datos que tenemos delante. Sin un buen modelo, tendremos una previsión de baja calidad y la estimación realizada no será precisa. Tableau selecciona automáticamente el mejor de varios modelos, el que genera la previsión de mayor calidad.
Podemos dejar que Tableau seleccione la mejor configuración para el modelo, o podemos optar por personalizarla nosotros mismos. Si tomamos este último camino, podemos especificar las características de la tendencia y la estacionalidad de forma independiente. La tendencia se refiere a la tendencia de los datos a aumentar o disminuir en el tiempo; la estacionalidad es una variación que se repite en el tiempo y puede predecirse (por ejemplo, un aumento de las ventas en una tienda de juguetes en temporada navideña).
En Tableau podemos decidir cómo configurar la tendencia y la estacionalidad eligiendo entre dos características del modelo: Aditivo y Multiplicativo.
En el modelo aditivo, el efecto combinado de varios factores independientes es la suma de los efectos aislados de cada factor. Es decir, se suma la contribución de los distintos componentes del modelo.
En cambio, en el modelo multiplicativo, el efecto combinado de varios factores independientes es el producto de los efectos aislados de cada factor. En otras palabras, la contribución de los diferentes componentes del modelo se multiplica. Este modelo puede mejorar la calidad de las previsiones para los datos en los que la tendencia y la estacionalidad se ven afectadas por la cantidad de datos disponibles.
¿Qué modelo es preferible?
La elección del modelo a aplicar es un elemento clave a tener en cuenta a la hora de realizar previsiones precisas. Tableau recomienda por defecto la mejor configuración a utilizar para nuestro análisis, pero (como veremos más adelante) también nos permite personalizar la configuración del modelo. Una posible opción es probar a aplicar diferentes modelos para ver cuál se adapta mejor a los datos que queremos analizar.
¡Muy pronto realizaremos otro artículo con más información sobre forecasting! Síguenos en LinkedIn para estar al día con nuestros artículos.
