Prognose Katalogverkäufe

Das Beispielprojekt enthält mehrere Datensätze und Beispiel-Modellierungsabläufe. Wenn Sie das Beispielprojekt noch nicht haben, lesen Sie den Abschnitt „Tutorials“, um das Beispielprojekt zu erstellen. Befolgen Sie dann diese Schritte, um das Beispielprojekt zu öffnen:

1. Wählen Sie im Navig ationsmenü watsonx„Projekte“ > „Alle Projekte“ aus.
2. Klicken Sie auf „ SPSS Modeler -Projekt “.
3. Klicken Sie auf die Registerkarte „Assets“, um die Datensätze und Modeller-Abläufe anzuzeigen.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt die Registerkarte „Assets“ des Projekts. Sie können nun mit dem Beispielmodellierungsablauf dieses Tutorials arbeiten.

Zurück zum Anfang

Die Prognose des Katalogumsatzes umfasst mehrere Knoten. Befolgen Sie diese Schritte, um die Knoten „Data Asset“ und „Type“ zu überprüfen:

1. Öffnen Sie auf der Registerkarte „Assets“ den Modellierungsablauf „Forecasting Catalog Sales“ und warten Sie, bis die Arbeitsfläche geladen ist.
2. Doppelklicken Sie auf den catalog_seasfac.csv Knoten. Dieser Knoten ist ein Daten-Asset -Knoten, der auf die catalog_seasfac.csv Datei im Projekt verweist.
3. Überprüfen Sie die Eigenschaften des Dateiformats.
4. Optional: Klicken Sie auf „Datenvorschau“, um den vollständigen Datensatz anzuzeigen.
5. Doppelklicken Sie auf den Knoten „Typ “.
   1. Klicken Sie auf Werte lesen.
   2. Für das Männer feld überprüfen Sie, ob die Rolle auf „Ziel“ gesetzt ist.
   3. Überprüfen Sie, ob für alle anderen Felder die Rolle „Keine “ festgelegt ist.
   4. Klicken Sie auf Speichern.
6. Optional: Klicken Sie auf „Datenvorschau“, um den gefilterten Datensatz anzuzeigen.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt den Typ -Knoten. Sie können nun mit der Visualisierung der Daten beginnen.

Zurück zum Anfang

Befolgen Sie diese Schritte, um die Daten mit einem Zeitdiagramm -Knoten zu visualisieren:

1. Fügen Sie einen Zeitdiagramm -Knoten hinzu:
   1. Erweitern Sie in der Knotenpalette den Abschnitt „Graphen “.
   2. Ziehen Sie den Knoten „Zeitdiagramm“ auf die Arbeitsfläche.
   3. Verbinden Sie den Typ -Knoten mit dem neuen Zeitdiagramm -Knoten.
2. Doppelklicken Sie auf den Knoten „Zeitdiagramm“, um dessen Eigenschaften festzulegen.
3. 1. Klicken Sie im Abschnitt „Serie “ auf „Spalten hinzufügen “.
   2. Wählen Sie das Feld „Männer“ aus.
   3. Klicken Sie auf „OK “.
   4. Wählen Sie „Benutzerdefinierte Beschriftung für x-Achsenfeld verwenden “.
   5. Wählen Sie für die Beschriftung der X-Achse „Datum“ aus.
   6. Deaktivieren Sie die Option „Normalisieren “.
   7. Klicken Sie auf Speichern.
4. Bewegen Sie den Mauszeiger über [men] v. Datum Knoten und klicken Sie auf das Ausführen Symbol .
5. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ergebnisse mit dem Namen [men] v. Datum, um die Grafik anzuzeigen.

   Die Zeitreihe weist einen allgemeinen Aufwärtstrend auf; d. h. die Werte der Zeitreihe nehmen tendenziell im Laufe der Zeit zu. Der Aufwärtstrend scheint konstant zu sein, was auf einen linearen Trend hindeutet.

   Außerdem weist die Zeitreihe ein deutliches saisonales Muster mit jährlichen Spitzen im Dezember auf, wie durch die vertikalen Linien im Diagramm angedeutet. Die saisonalen Schwankungen scheinen mit dem Aufwärtstrend der Zeitreihe zu wachsen, was darauf hindeutet, dass vermutlich eher eine multiplikative und keine additive Saisonalität vorliegt.

   Nachdem Sie die Eigenschaften der Zeitreihe ermittelt haben, können Sie nun versuchen, sie zu modellieren. Das Verfahren der exponentiellen Glättung ist hilfreich für die Vorhersage von Zeitreihen, die Trends und/oder Saisonalität aufweisen. Wie zuvor gesehen, weisen diese Daten beide Merkmale auf.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt ein Diagramm. Sie sind nun bereit, das Modell zu erstellen.

Zurück zum Anfang

Zur Konstruktion eines Modells mit exponentiellem Glätten mit bester Anpassung gehören die Bestimmung des Modelltyps, also die Frage, ob das Modell Trend, Saisonalität oder beides enthalten muss, und die anschließende Ermittlung der am besten geeigneten Parameter für das ausgewählte Modell.

Das Diagramm für den Umsatz im Bereich der Herrenbekleidung im Laufe der Zeit hat ein Modell mit linearer Trendkomponente und multiplikativer Saisonalitätskomponente nahegelegt. Dies deutet auf ein Winter-Modell hin. Zunächst untersuchen Sie jedoch ein einfaches Modell (ohne Trend und ohne Saisonalität) und anschließend ein Holt-Modell (mit linearem Trend, aber ohne Saisonalität). Dadurch können Sie sich darin üben, zu erkennen, wann ein Modell keine gute Anpassung an die Daten darstellt. Dies ist eine entscheidende Fähigkeit für die erfolgreiche Modellerstellung.

Befolgen Sie diese Schritte, um ein einfaches exponentielles Glättungsmodell zu erstellen:

1. Doppelklicken Sie auf den Knoten „Men (Time Series)“, um dessen Eigenschaften anzuzeigen.
2. Erweitern Sie den Abschnitt „Beobachtungen und Zeitintervall“ und legen Sie folgende Eigenschaften fest:
   1. Überprüfen Sie, ob Uhrzeit und Datum richtig eingestellt sind.
   2. Überprüfen Sie, ob das Zeitintervall auf „Monate“ eingestellt ist.
3. Erweitern Sie den Abschnitt „Build-Optionen – Allgemein “ und legen Sie folgende Eigenschaften fest:
   1. Überprüfen Sie, ob die Methode auf „Exponential Smoothing“ (Exponentielles Glätten) eingestellt ist.
   2. Überprüfen Sie, ob der Modelltyp auf „Einfach“ eingestellt ist.
4. Klicken Sie auf Speichern.
5. Klicken Sie auf „Alle ausführen “.
6. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ausgabeergebnisse mit dem Namen „Zeitdiagramm von [men $TS-men] v. Datum, um die Grafik anzuzeigen.
   Der Plot men stellt die aktuellen Daten dar, während $TS-men das Zeitreihenmodell angibt.

   

   Obwohl das einfache Modell tatsächlich einen allmählichen (und eher schwerfälligen) Aufwärtstrend aufweist, berücksichtigt es keine saisonalen Schwankungen. Sie können dieses Modell getrost verwerfen.

   Versuchen Sie nun ein lineares Modell von Holt. Dies sollte den Trend zumindest besser modellieren als das einfache Modell, obwohl es ebenfalls unwahrscheinlich ist, dass es die Saisonalität erfasst.

7. Doppelklicken Sie auf den Knoten „Men (Time Series)“ und legen Sie folgende Eigenschaften fest:
   1. Erweitern Sie den Abschnitt „Build-Optionen – Allgemein “.
   2. Stellen Sie den Modelltyp auf Holts linearen Trend ein.
   3. Klicken Sie auf Speichern.
8. Klicken Sie auf „Alle ausführen “.
9. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ausgabeergebnisse mit dem Namen „Zeitdiagramm von [men $TS-men] v. Datum, um die Grafik anzuzeigen.

   Das Holt-Modell zeigt einen gleichmäßigeren Aufwärtstrend als das einfache Modell, berücksichtigt jedoch noch immer nicht die Saisonalität. Daher können Sie auch dieses Modell ignorieren.

   

   Sie erinnern sich, dass der ursprüngliche Plot für den Umsatz im Bereich Herrenbekleidung im Laufe der Zeit ein Modell nahelegte, das einen linearen Trend und multiplikative Saisonalität beinhaltet. Daher könnte das Winter-Modell ein geeigneterer Kandidat sein.

10. Doppelklicken Sie auf den Knoten „Men (Time Series)“ und legen Sie folgende Eigenschaften fest:
    1. Erweitern Sie den Abschnitt „Build-Optionen – Allgemein “.
    2. Stellen Sie den Modelltyp auf „multiplikativ nach Winters“ ein.
    3. Klicken Sie auf Speichern.
11. Klicken Sie auf „Alle ausführen “.
12. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ausgabeergebnisse mit dem Namen „Zeitdiagramm von [men $TS-men] v. Datum, um die Grafik anzuzeigen.

    Dieses Modell sieht besser aus. Das Modell spiegelt sowohl den Trend als auch die Saisonalität der Daten wider. Das Dataset deckt einen Zeitraum von 10 Jahren ab und enthält 10 saisonale Spitzen jeweils im Dezember der einzelnen Jahre. Die 10 Spitzen, die in den vorhergesagten Ergebnissen vorliegen, passen gut zu den 10 jährlichen Spitzen in den tatsächlichen Daten.

    Die Ergebnisse zeigen jedoch auch die Grenzen des Verfahrens der exponentiellen Glättung auf. Wenn wir die nach oben und unten weisenden Spitzen betrachten, zeigt sich eine signifikante Struktur, die nicht berücksichtigt wurde.

    Wenn Sie in erster Linie an der Modellierung eines langfristigen Trends mit saisonalen Schwankungen interessiert sind, kann das exponentielle Glätten eine gute Wahl sein. Um eine komplexere Struktur wie diese zu modellieren, sollten Sie die Verwendung des ARIMA-Verfahrens in Betracht ziehen.

    

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt den Ablauf. Sie sind nun bereit, ein ARIMA-Modell zu erstellen.

Zurück zum Anfang

Mit der Prozedur ARIMA können Sie ein Modell mit autoregressivem integriertem gleitendem Durchschnitt (AutoRegressive Integrated Moving Average) erstellen, das für eine feinabgestimmte Modellierung von Zeitreihen geeignet ist.

ARIMA-Modelle bieten feinere Methoden für die Modellierung von Trend- und saisonalen Komponenten als die Modelle mit exponentiellem Glätten und haben den zusätzlichen Vorteil, dass Prädiktorvariablen in das Modell integriert werden können.

Um das Beispiel des Versandhandelsunternehmens fortzusetzen, das ein Prognosemodell entwickeln möchte, haben Sie gesehen, wie das Unternehmen Daten zu den monatlichen Umsätzen mit Herrenbekleidung sowie mehrere Reihen gesammelt hat, die zur Erklärung einiger Umsatzschwankungen herangezogen werden könnten. Zu den möglichen Prädiktoren gehören die Anzahl der versendeten Kataloge und die Anzahl der Seiten im Katalog, die Anzahl der Telefonleitungen, über die eine Bestellung möglich ist, die Ausgaben für Werbung in Printmedien und die Anzahl der Kundendienstmitarbeiter.

Sind diese Prädiktoren sinnvoll für die Prognostizierung? Ist ein Modell mit Prädiktoren wirklich besser als ein Modell ohne Prädiktoren? Mit dem ARIMA-Verfahren können Sie ein Prognosemodell mit Prädiktoren erstellen und feststellen, ob es einen signifikanten Unterschied in der Vorhersagekraft gegenüber dem exponentiellen Glättungsmodell ohne Prädiktoren gibt.

Mit der ARIMA-Methode können Sie das Modell feinabstimmen, indem Sie die Ordnung der Autoregression, Differenzierung und des gleitenden Durchschnitts sowie die saisonalen Entsprechungen dieser Komponenten festlegen. Die manuelle Ermittlung der besten Werte für diese Komponenten kann ein zeitaufwändiger Prozess sein, der viel Ausprobieren erfordert. Daher weisen Sie den Expert Modeler in diesem Beispiel an, ein ARIMA-Modell für Sie auszuwählen.

Als Nächstes erstellen Sie ein besseres Modell, indem Sie einige der anderen Variablen im Datensatz als Prädiktorvariablen behandeln. Die Faktoren, die als Prädiktoren am nützlichsten erscheinen, sind die Anzahl der versendeten Kataloge (mail), die Anzahl der Seiten im Katalog (page), die Anzahl der für Bestellungen freigeschalteten Telefonleitungen (phone), die Ausgaben für Printwerbung (print) und die Anzahl der Kundendienstmitarbeiter (service).

Befolgen Sie diese Schritte, um ein ARIMA-Modell zu erstellen:

1. Doppelklicken Sie auf den Knoten „Typ“, um dessen Eigenschaften festzulegen.
   1. Überprüfen Sie, ob die Rolle für die Felder „Mail“, „Seite“, „Telefon“, „Drucken“ und „Service“ auf „Eingabe“ eingestellt ist.
   2. Überprüfen Sie, ob die Rolle für Männer auf „Ziel“ gesetzt ist.
   3. Setzen Sie die Rolle für alle übrigen Felder auf „Keine “.
   4. Klicken Sie auf Speichern.
2. Doppelklicken Sie auf den Knoten „Men (Time Series)“ und legen Sie folgende Eigenschaften fest:
   1. Erweitern Sie den Abschnitt „Build-Optionen – Allgemein “.
   2. Stellen Sie die Methode auf „Expert Modeler“ ein.
   3. Stellen Sie den Modelltyp auf „Nur ARIMA-Modelle “ ein.
   4. Wählen Sie die Option „Saisonale Modelle berücksichtigen“ im Expertenmodellierer aus.

      

   5. Klicken Sie auf Speichern.
3. Klicken Sie auf „Alle ausführen “.
4. Klicken Sie im Bereich „Ausgaben und Modelle “ auf das Modell mit dem Namen „men“, um die Modelldetails anzuzeigen.
   1. Klicken Sie auf der Seite „Modelle“ in der Spalte „Ziel“ auf „Männer “.
   2. Klicken Sie auf die Seite „Modellinformationen “. Sie sehen, dass der Expert Modeler nur zwei der fünf angegebenen Prädiktoren als für das Modell signifikant ausgewählt hat.

      

   3. Schließen Sie die beiden Modellfenster.
5. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ausgabeergebnisse mit dem Namen „Zeitdiagramm von [men $TS-men] v. Datum, um die Grafik anzuzeigen.

   Dieses Modell stellt eine Verbesserung gegenüber dem vorherigen Modell dar, da auch die große Spitze nach unten erfasst wird. Damit stellt es die bisher beste Anpassung dar.

   

   Als Nächstes können Sie das Modell noch weiter verfeinern, aber alle Verbesserungen ab diesem Punkt dürften nur noch minimal sein. Sie haben festgestellt, dass das ARIMA-Modell mit Prädiktoren vorzuziehen ist. Verwenden Sie daher dieses Modell, um die Umsätze für das kommende Jahr zu prognostizieren.

6. Schließen Sie das Grafikfenster.
7. Doppelklicken Sie auf den Knoten „Men (Time Series)“ und legen Sie folgende Eigenschaften fest:
   1. Erweitern Sie den Abschnitt „Modelloptionen “.
   2. Wählen Sie die Option „Datensätze in die Zukunft verlängern “ und legen Sie den Wert auf fest 12.
   3. Wählen Sie die Option Zukünftige Werte für Eingaben berechnen aus.
   4. Klicken Sie auf Speichern.
8. Klicken Sie auf „Alle ausführen “.
9. Klicken Sie im Bereich „Ausgaben und Modelle “ auf die Ausgabeergebnisse mit dem Namen „Zeitdiagramm von [men $TS-men] v. Datum, um die Grafik anzuzeigen.

   Die Vorhersage sieht gut aus. Wie erwartet kehrt der Umsatz nach dem Spitzenwert im Dezember wieder auf sein normales Niveau zurück, und in der zweiten Jahreshälfte ist ein stetiger Aufwärtstrend zu verzeichnen, wobei der Umsatz insgesamt besser ausfällt als im Vorjahr.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt ein Diagramm, das das ARIMA-Modell verwendet.

Zurück zum Anfang