Previsioni

Panoramica

Il modulo di previsione di SKOOR offre previsioni basate sul machine learning delle tendenze future sui dati delle serie temporali. Sono disponibili quattro modelli:

• Prophet (Vedi la documentazione ufficiale qui)

• SARIMAX (Vedi la documentazione ufficiale qui)

• Regressione lineare (vedi la documentazione ufficiale qui)

• XGBoost (consulta la documentazione ufficiale qui)

Tutti i modelli supportano serie indicizzate per data e ora provenienti direttamente da una DataSource o da una DataQuery di SKOOR. 

Pagina delle previsioni

La pagina delle previsioni è suddivisa in due sezioni. 

Pagina Generale

Questa sezione include le impostazioni delle previsioni.

Sul lato sinistro:

Sul lato destro è presente la panoramica dei dati di previsione in una tabella. Viene visualizzata solo se esiste già una previsione.

Pagina di esecuzione

Questa sezione è dedicata all'esecuzione e al monitoraggio delle esecuzioni delle previsioni. Offre il controllo sulla cronologia e consente di ottenere approfondimenti.

È possibile eseguire una previsione facendo clic sul pulsante "Esegui previsione". La cronologia completa delle esecuzioni può essere eliminata facendo clic sul pulsante "Elimina cronologia lavori". Si noti che tutte le tabelle create dalle previsioni verranno eliminate e, per recuperarle, sarà necessario eseguire nuovamente la previsione. Quando un’elaborazione è ancora in corso, può essere annullata cliccando sulla X rossa a destra dello stato visualizzato.

Cliccando su un'elaborazione, è possibile visualizzare l’output della console, lo stato di avanzamento, lo stato e ulteriori informazioni. Nell’output della console vengono riportati tutti i gruppi e la relativa accuratezza. L’accuratezza indicata è misurata con il WAPE (Weighted Absolute Percentage Error), è espressa in percentuale ed è calcolata in base alle prestazioni del modello sui dati storici.

Creazione di una previsione

È possibile creare una configurazione di previsione cliccando sul pulsante «+» sul lato sinistro e inserendo un nome oppure importando una previsione in formato JSON. Una volta creata la configurazione di previsione, è necessario impostare alcune opzioni nella pagina «Generale».

Configurazione del modello

Cliccando sul pulsante «Configura modello di previsione» si apre una finestra di dialogo in cui è possibile scegliere il modello. Attualmente sono disponibili 4 diverse opzioni di modello, visibili qui sotto. Alcuni modelli dispongono di un pulsante di ottimizzazione degli iperparametri che consente al modello di testare varie combinazioni di iperparametri al fine di individuare quella migliore. I vari iperparametri che è possibile impostare sono elencati sotto il modello. Se la ricerca degli iperparametri è già stata avviata, è possibile visualizzare e copiare gli iperparametri facendo clic sul pulsante "Mostra iperparametri ottimizzati".

Una volta terminata l’impostazione degli iperparametri, fare clic su “Salva” per salvare la configurazione del modello oppure su “Annulla” per annullare le modifiche.

È possibile scegliere tra i seguenti modelli:

Prophet

• Prophet è uno strumento open source basato sul Machine Learning sviluppato da Meta (ex Facebook) per la previsione di dati di serie temporali. È progettato per essere robusto in presenza di dati mancanti e cambiamenti di tendenza, ed eccelle in particolare nella previsione di serie temporali con forte stagionalità. Prophet è in grado di gestire automaticamente gli effetti festivi e consente all’utente di impostare i propri iperparametri per renderlo ancora più preciso.

• Prophet è l’opzione più utilizzata tra quelle disponibili perché richiede un tempo moderato per l’addestramento, ma fornisce costantemente i migliori risultati, rendendolo la scelta più conveniente nella maggior parte degli scenari. Prophet eccelle quando gli vengono forniti dati relativi a più stagioni in cui si verificano effetti stagionali ricorrenti, effetti festivi o cambiamenti irregolari di tendenza.

• Se selezionato, il modello Prophet mostra anche le bande dell’intervallo di confidenza, che indicano il grado di certezza del modello nelle sue previsioni. Quando visualizzata sulla dashboard, la banda dell’intervallo di confidenza appare in un colore più chiaro attorno alla previsione.

  

È possibile configurare le seguenti variabili:

SARIMAX

• SARIMAX (Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors) è un modello statistico utilizzato per prevedere valori futuri sulla base di dati passati. Gestisce sia le tendenze che i modelli stagionali. Si tratta dell’estensione del modello ARIMA con l’aggiunta di componenti stagionali.

• Il modello SARIMAX è particolarmente efficace quando i dati generati sono stabili e coerenti e quando si preferisce un modello statistico rispetto a un modello di apprendimento automatico.

Nel modello SARIMAX non sono presenti variabili che possano essere regolate dall’utente.

Regressione lineare

• La regressione lineare viene utilizzata per prevedere le tendenze esclusivamente adattando una linea retta ai dati di addestramento ed estendendo tale linea nel futuro. Si tratta di uno strumento potente per prevedere le tendenze future in qualsiasi serie temporale.

• La regressione lineare è particolarmente indicata quando i dati sottostanti mostrano un andamento lineare chiaro e coerente, con stagionalità o rumore minimi.

Nel modello di regressione lineare non sono presenti variabili che possano essere regolate dall’utente.

XGBoost

• Il modello XGBoost utilizza alberi decisionali potenziati dal gradiente per la previsione diretta in più fasi. Prima dell’addestramento, applica un’ampia ingegneria delle caratteristiche alle serie temporali di input, estraendo caratteristiche di ritardo, statistiche mobili e caratteristiche basate sul calendario, per poi prevedere ogni punto futuro in modo indipendente.

• XGBoost funziona al meglio con dati complessi e non lineari. Può raggiungere una buona accuratezza, ma richiede tempo per l’addestramento e, in alcuni casi, i dati devono essere pre-elaborati separatamente in anticipo.

È possibile configurare le seguenti variabili:

Origine dati

La finestra di configurazione della fonte dati consente di specificare i dati utilizzati per addestrare il modello.

La fonte dei dati può essere selezionata a sinistra. Esistono due tipi di fonte di dati: una fonte di dati dal proprio database SKOOR o una query di dati dalla scheda "Data Query". La selezione della fonte dati richiede ulteriori scelte, che possono essere impostate nella finestra, quali la fonte dati, la tabella e le colonne. Quando si seleziona l’opzione di query sui dati, è necessario impostare la query stessa, nonché le colonne da essa derivanti.

Le colonne "Valore", "Data e ora" e "Discriminatore" possono essere selezionate facendo clic sul menu a tendina. Il menu a tendina mostrerà automaticamente le colonne che soddisfano i requisiti. È necessario scegliere le seguenti colonne:

Sul lato destro della finestra dei dati è possibile selezionare ulteriori operazioni di pre-elaborazione dei dati.

Frequenza

La frequenza determina l'output della previsione. È possibile scegliere tra le seguenti frequenze:

Internamente, la serie di dati fornita viene interpolata o aggregata alla frequenza impostata utilizzando il tipo di interpolazione e/o il tipo di aggregazione. Si noti che se i dati presentano date mancanti o un numero di dati eccessivo rispetto alla frequenza, l’interpolazione e/o l’aggregazione selezionate vengono applicate automaticamente per garantire una previsione fluida.

Tipi di interpolazione:

Tipi di aggregazione:

Fuso orario

Internamente, tutti i timestamp vengono reimpostati nel fuso orario impostato dall'utente.

Autorizzazioni

Sola lettura

• Leggi i risultati delle previsioni

• Ricerca delle configurazioni di previsione in base alla definizione dei valori

Modifica

• Tutto ciò che la modalità "Sola lettura" può fare

• Elenca tutte le configurazioni di previsione (solo vista semplice)

Editor dati

• Tutto ciò che l'Editor può fare

• Diritti completi (crea, leggi, aggiorna, elimina) sulle configurazioni di previsione e sui gruppi

• Avviare, visualizzare e annullare i processi di previsione

• Esportazione/importazione delle configurazioni

Admin

• Tutto ciò che Dataeditor è in grado di fare

• Eliminare la cronologia dei processi

Visualizzazione delle previsioni su una dashboard

Utilizzo del widget di previsione predefinito

SKOOR semplifica l'accesso alle previsioni grazie all'introduzione di un pulsante nel widget dei grafici. È sufficiente creare un widget grafico sulla dashboard, impostare il tipo di grafico su "Misto" e configurare le stesse definizioni dei dati presenti nella configurazione delle previsioni. Dopo aver impostato la fonte dati, clicca su "Sincronizza colonne" nella sezione "Colonne" in basso a destra nella finestra di dialogo di modifica del widget oppure aggiungi manualmente la colonna per cui è stata effettuata la previsione. Quindi clicca su quella colonna e spunta la casella "Mostra previsione". Seleziona la configurazione di previsione corrispondente dal menu a tendina, quindi applica. A questo punto, l’anteprima dovrebbe già mostrare i dati storici con la previsione corrispondente.

Utilizzo di una query dati personalizzata

La tabella contenente i risultati delle previsioni può essere copiata negli appunti semplicemente facendo clic sul selettore “Copia tabella” nella pagina “Generale” della configurazione delle previsioni. Utilizzando questa tabella, è possibile accedere ai dati delle previsioni e scrivere una propria query di dati, ad esempio in SKOOR Studio. Si noti che vi sono differenze nelle colonne della tabella, come descritto di seguito:

• Prophet

  • (con lo stesso nome della colonna del valore di input)

  • colonna del timbro data (con lo stesso nome della colonna del timbro data di input)

  • valore di confidenza inferiore (ha lo stesso nome della colonna del valore di input, ma con “_lower” alla fine)

  • valore di confidenza superiore (nome identico a quello della colonna del valore di input, ma con “_upper” alla fine)

  • accuratezza

  • colonne discriminanti (Stesso numero di colonne corrispondente al numero di colonne discriminanti specificate. Denominate come le colonne discriminanti di input.)

• Regressione lineare

  • colonna dei valori (con lo stesso nome della colonna dei valori di input).

  • colonna del timbro data (Con lo stesso nome della colonna del timbro data in ingresso.)

  • accuratezza

  • colonne discriminanti (Stesso numero di colonne del numero di colonne discriminanti specificato. Denominate come le colonne discriminanti di input.)

• SARIMAX

  • colonna del valore (con lo stesso nome della colonna del valore in ingresso)

  • colonna data e ora (con lo stesso nome della colonna data e ora in ingresso)

  • accuratezza

  • colonne discriminanti (Stesso numero di colonne del numero di colonne discriminanti specificato. Denominate come le colonne discriminanti di input.)

• XGBoost

  • colonna del valore (con lo stesso nome della colonna del valore in ingresso)

  • colonna del timbro data (con lo stesso nome della colonna del timbro data in ingresso)

  • accuratezza

  • colonne discriminanti (Lo stesso numero di colonne corrispondente al numero di colonne discriminanti specificate. Denominate come le colonne discriminanti di input.)