Previsione delle vendite del catalogo

Il progetto di esempio contiene diversi set di dati e flussi di modellazione di esempio. Se non disponi già del progetto di esempio, consulta l'argomento Tutorial per creare il progetto di esempio. Quindi segui questi passaggi per aprire il progetto di esempio:

1. Nel menu di navigazione watsonx, seleziona Progetti > Tutti i progetti.
2. Clicca su Progetto " SPSS Modeler ".
3. Fai clic sulla scheda Risorse per visualizzare i set di dati e i flussi del modellatore.

Controlla i tuoi progressi

L'immagine seguente mostra la scheda Risorse del progetto. Ora sei pronto per lavorare con il flusso del modellatore di esempio associato a questo tutorial.

Torna all'inizio

La previsione delle vendite del catalogo comprende diversi nodi. Seguire questi passaggi per esaminare i nodi Data Asset e Type :

1. Dalla scheda Risorse, apri il flusso del modellatore Vendite catalogo previsionali e attendi il caricamento dell'area di lavoro.
2. Fai doppio clic sul catalog_seasfac.csv nodo. Questo nodo è un nodo Data Asset che punta al catalog_seasfac.csv file nel progetto.
3. Rivedere le proprietà del formato file.
4. Opzionale: clicca su Anteprima dati per visualizzare l'intero set di dati.
5. Fai doppio clic sul nodo Tipo.
   1. Fare clic su Leggi valori.
   2. Per il campo degli uomini, verificare che il ruolo sia impostato su Target.
   3. Verificare che tutti gli altri campi abbiano il ruolo impostato su Nessuno.
   4. Fare clic su Salva.
6. Opzionale: clicca su Anteprima dati per visualizzare il set di dati filtrato.

Controlla i tuoi progressi

L'immagine seguente mostra il nodo Tipo. Ora sei pronto per visualizzare i dati.

Torna all'inizio

Segui questi passaggi per utilizzare un nodo Grafico temporale per visualizzare i dati:

1. Aggiungi un nodo Grafico temporale :
   1. Nella tavolozza dei nodi, espandi la sezione Grafici.
   2. Trascina il nodo Time plot sulla tela.
   3. Collegare il nodo Tipo al nuovo nodo Grafico temporale.
2. Fare doppio clic sul nodo Time plot per impostare le sue proprietà.
3. 1. Nella sezione Serie, clicca su Aggiungi colonne.
   2. Seleziona il campo "Uomini".
   3. Fare clic su OK.
   4. Seleziona Usa etichetta campo asse x personalizzata.
   5. Per l 'etichetta dell'asse X, seleziona la data.
   6. Deseleziona l'opzione Normalizza.
   7. Fare clic su Salva.
4. Passa il mouse su [men] v. nodo data e clicca sull'icona Esegui.
5. Nel riquadro Outputs and models (Risultati e modelli), clicca sui risultati con il nome [men] v. data per visualizzare il grafico.

   La serie mostra una tendenza generale al rialzo; vale a dire, i valori della serie tendono ad aumentare con il passare del tempo. La tendenza al rialzo appare costante, pertanto si tratta di una tendenza lineare.

   La serie inoltre presenta un andamento stagionale chiaro, con picchi annuali nel mese di dicembre, come indicano le linee verticali del grafico. Le variazioni stagionali sembrano aumentare parallelamente alla tendenza rialzista della serie, il che suggerisce una stagionalità moltiplicativa piuttosto che additiva.

   Una volta identificate le caratteristiche dalla serie, è possibile iniziare ad eseguirne la modellazione. Il metodo di livellamento esponenziale è utile per calcolare previsioni di serie che evidenziano caratteristiche tendenziali, stagionali o entrambe. Come visto in precedenza, questi dati presentano entrambe le caratteristiche.

Controlla i tuoi progressi

L'immagine seguente mostra un grafico. Ora sei pronto per costruire il modello.

Torna all'inizio

La creazione di un modello di livellamento esponenziale adatto comporta la determinazione del tipo di modello (se il modello deve contenere tendenze, stagionalità o entrambi) e quindi l'acquisizione dei parametri più appropriati per il modello scelto.

Il grafico delle vendite di abbigliamento maschile nel corso del tempo suggerisce l'impiego di un modello con una componente di tendenza lineare e una componente di stagionalità moltiplicativa. Queste caratteristiche implicano un modello di Winters. In primo luogo, tuttavia, si esplora un modello semplice (senza tendenza e senza stagionalità) e poi un modello di Holt (che incorpora una tendenza lineare ma senza stagionalità). In questo modo si riuscirà a identificare un modello non adatto ai dati, competenza fondamentale per una corretta creazione di modelli.

Segui questi passaggi per creare un semplice modello di livellamento esponenziale:

1. Fare doppio clic sul nodo Men (Time Series) per visualizzarne le proprietà.
2. Espandi la sezione Osservazioni e intervallo di tempo e imposta queste proprietà:
   1. Verificare che l' ora/data sia impostata correttamente.
   2. Verificare che l 'intervallo di tempo sia impostato su Mesi.
3. Espandi la sezione Opzioni di compilazione - Generale e imposta le seguenti proprietà:
   1. Verificare che il metodo sia impostato su Livellamento esponenziale.
   2. Verificare che il tipo di modello sia impostato su Semplice.
4. Fare clic su Salva.
5. Fai clic su Esegui tutto .
6. Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Grafico temporale di [men $TS-men] v. data per visualizzare il grafico.
   Il plot men rappresenta i dati effettivi, mentre $TS-men indica il modello di serie temporale.

   

   Sebbene il modello semplice mostri effettivamente una tendenza al rialzo graduale (e piuttosto lenta), esso non tiene conto della stagionalità. Questo modello può essere quindi scartato.

   Ora prova un modello lineare di Holt. Questo dovrebbe almeno modellare meglio la tendenza rispetto al modello semplice, anche se è improbabile che riesca a cogliere la stagionalità.

7. Fare doppio clic sul nodo Men (Time Series) e impostare le seguenti proprietà:
   1. Espandi le opzioni di compilazione - sezione generale.
   2. Imposta il tipo di modello su "Tendenza lineare di Holt ".
   3. Fare clic su Salva.
8. Fai clic su Esegui tutto .
9. Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Grafico temporale di [men $TS-men] v. data per visualizzare il grafico.

   Il modello di Holt visualizza una tendenza al rialzo più lineare rispetto al modello semplice, ma anche questo non considera la stagionalità, per cui anche questo modello può essere scartato.

   

   Si ricorderà che la rappresentazione grafica iniziale delle vendite di abbigliamento maschile nel corso del tempo suggeriva l'utilizzo di un modello con una componente di tendenza lineare e una componente di stagionalità moltiplicativa. Pertanto, il modello di Winters potrebbe essere più indicato.

10. Fare doppio clic sul nodo Men (Time Series) e impostare le seguenti proprietà:
    1. Espandi le opzioni di compilazione - sezione generale.
    2. Imposta il tipo di modello su " multiplicativo di Winters ".
    3. Fare clic su Salva.
11. Fai clic su Esegui tutto .
12. Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Grafico temporale di [men $TS-men] v. data per visualizzare il grafico.

    Questo modello sembra migliore. Il modello riflette la tendenza e la stagionalità dei dati. L'insieme di dati copre un periodo di 10 anni e mostra 10 picchi stagionali in corrispondenza del mese di dicembre di ogni anno. I 10 picchi presenti nei risultati previsti corrispondono ai 10 picchi annuali nei dati reali.

    Tuttavia, i risultati evidenziano anche i limiti della procedura di livellamento esponenziale. Osservando i picchi verso l'alto e verso il basso, una struttura significativa non viene considerata.

    Se si è principalmente interessati alla modellazione di una tendenza di lungo termine con variazioni stagionali, il metodo del livellamento esponenziale può essere adeguato. Per modellare una struttura più complessa come questa, è necessario prendere in considerazione l'utilizzo della procedura ARIMA.

    

Controlla i tuoi progressi

L'immagine seguente mostra il flusso. Ora sei pronto per costruire un modello ARIMA.

Torna all'inizio

Con la procedura ARIMA, è possibile creare un modello ARIMA (autoregressive integrated moving-average) adatto per la modellazione ottimizzata delle serie temporali.

I modelli ARIMA offrono metodi più sofisticati per la modellazione delle componenti di tendenza e stagionalità rispetto ai modelli di livellamento esponenziale con l'ulteriore vantaggio di poter includere nel modello variabili predittore.

Continuando con l'esempio dell'azienda di vendita per corrispondenza che desidera sviluppare un modello di previsione, avete visto come l'azienda abbia raccolto dati sulle vendite mensili di abbigliamento maschile insieme a diverse serie che potrebbero essere utilizzate per spiegare alcune delle variazioni nelle vendite. I predittori possibili includono il numero di cataloghi inviati per posta e il numero delle pagine nel catalogo, il numero di linee telefoniche aperte per le ordinazioni, la spesa sostenuta per la pubblicità a mezzo stampa e il numero dei rappresentanti del servizio di assistenza clienti.

Qualcuno di questi predittori è utile per le previsioni? Un modello che include i predittori è realmente migliore di un modello privo di predittori? Utilizzando la procedura ARIMA, è possibile creare un modello di previsione con predittori e verificare se vi è una differenza significativa nella capacità predittiva rispetto al modello di livellamento esponenziale senza predittori.

Con il metodo ARIMA è possibile ottimizzare il modello specificando gli ordini di autoregressione, differenziazione e media mobile, insieme alle controparti stagionali di questi componenti. Determinare manualmente i valori ottimali per questi componenti può essere un processo lungo che richiede numerosi tentativi, quindi, in questo esempio, si specifica che Expert Modeler scelga un modello ARIMA.

Successivamente, si costruisce un modello migliore trattando alcune delle altre variabili nel set di dati come variabili predittive. I predittori che sembrano più utili sono il numero di cataloghi inviati per posta (mail), il numero di pagine nel catalogo (page), il numero di linee telefoniche aperte per le ordinazioni (phone), la spesa sostenuta per le pubblicità a mezzo stampa (print) ed il numero di rappresentanti del servizio di assistenza clienti (service).

Segui questi passaggi per costruire un modello ARIMA:

1. Fare doppio clic sul nodo Tipo per impostare le sue proprietà.
   1. Verificare che il ruolo per i campi posta, pagina, telefono, stampa e servizio sia impostato su Input.
   2. Verificare che il ruolo per gli uomini sia impostato su Target.
   3. Imposta il ruolo per tutti i campi rimanenti su Nessuno.
   4. Fare clic su Salva.
2. Fare doppio clic sul nodo Men (Time Series) e impostare le seguenti proprietà:
   1. Espandi le opzioni di compilazione - sezione generale.
   2. Imposta il metodo su Expert Modeler.
   3. Imposta il tipo di modello solo su modelli ARIMA.
   4. Selezionare l'opzione Modelli stagionali in Expert Modeler.

      

   5. Fare clic su Salva.
3. Fai clic su Esegui tutto .
4. Nel riquadro Output e modelli, fare clic sul modello denominato men per visualizzarne i dettagli.
   1. Nella pagina Modelli, clicca su uomini nella colonna Destinatari.
   2. Clicca sulla pagina Informazioni sul modello. Notare che Expert Modeler ha scelto solo due dei cinque predittori specificati come significativi per il modello.

      

   3. Chiudi le due finestre del modello.
5. Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Grafico temporale di [men $TS-men] v. data per visualizzare il grafico.

   Questo modello è migliore rispetto a quello precedente in quanto coglie anche il grande picco discendente; per questo risulta il modello più adatto fra quelli presi in considerazione finora.

   

   Successivamente, è possibile perfezionare ulteriormente il modello, ma qualsiasi miglioramento da questo punto in poi sarà probabilmente minimo. Hai stabilito che il modello ARIMA con predittori è preferibile, quindi utilizza questo modello per prevedere le vendite per il prossimo anno.

6. Chiudi la finestra del grafico.
7. Fare doppio clic sul nodo Men (Time Series) e impostare le seguenti proprietà:
   1. Espandi la sezione Opzioni modello.
   2. Selezionare l'opzione Estendi i record nel futuro e impostare il valore su 12.
   3. Selezionare l'opzione Calcola i valori futuri degli input.
   4. Fare clic su Salva.
8. Fai clic su Esegui tutto .
9. Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Grafico temporale di [men $TS-men] v. data per visualizzare il grafico.

   La previsione sembra accettabile. Come previsto, dopo il picco di dicembre si è registrato un ritorno ai normali livelli di vendita e una costante tendenza al rialzo nella seconda metà dell'anno, con vendite complessivamente migliori rispetto a quelle dell'anno precedente.

Controlla i tuoi progressi

L'immagine seguente mostra un grafico che utilizza il modello ARIMA.

Torna all'inizio