視覺化中的預測

預測功能可讓分析師快速將資料預測結果加入新的或現有探索查詢，協助使用者預測及監控特定資料點。您可以將預測探索結果和圖表新增至資訊主頁，並儲存為Look。您也可以在嵌入的 Looker 內容中建立及查看預測結果和圖表。

您需要擁有建立預測資料的權限，才能預測資料。

如何建立及顯示預測結果

「預測」功能會使用探索資料表中的資料結果，計算未來的資料點。預測計算只會納入「探索」查詢的顯示結果，不會納入因列數限制而未顯示的任何結果。如要進一步瞭解用於計算預測值的演算法，請參閱本頁的「ARIMA 演算法」一節。

預測結果會顯示為現有「探索」視覺化圖表的後續內容，並遵循設定的視覺化圖表設定。預測資料點與非預測資料點的差異如下：

  1. 在支援的笛卡爾圖表中，系統會以較淺的色調或虛線呈現預測資料點，以便與非預測資料點區分。
  2. 在支援的文字和表格圖表類型中，預測資料點會以斜體顯示，並在後方加上星號。

當您將滑鼠游標懸停在預測資料點上時，工具提示會明確指出預測資料。

只有特定類型的圖表支援預測資料，詳情請參閱下一個章節。

ARIMA 演算法

預測功能會運用 AutoRegressive Integrated Moving Average (ARIMA) 演算法，建立最符合預測輸入資料的等式。為了找出最符合資料的模式，Looker 會使用一組初始變數執行 ARIMA，建立初始變數變化版本清單，然後再次使用這些變化版本執行 ARIMA。如果任何變化版本建立的等式更符合輸入資料，Looker 就會將這些變化版本做為新的初始變數，並建立其他變化版本進行評估。Looker 會持續重複這個程序，直到找出最佳變數，或所有選項或已分配的運算時間用盡為止。

這個程序可視為遺傳演算法，在數百個世代中，個體會各自產生 1 到 10 個子代 (根據父代變數的變化)，而最優異的子代會存活下來，進而產生「更優質」的世代。Looker 在遺傳演算法中使用多個 ARIMA 叫用方式稱為 AutoARIMA。

如要進一步瞭解 AutoARIMA，請參閱 pmdarima 使用手冊的「使用 auto_arima 的訣竅」一節。雖然這不是 Looker 用來執行 AutoARIMA 的程式庫，但 pmdarima 可提供最佳的程序說明和所用不同變數。

支援的視覺化呈現類型

下列笛卡爾可視化類型可呈現預測資料：

下列文字和表格圖表類型可呈現預測資料：

其他圖表類型 (包括自訂圖表) 目前無法顯示預測資料。

探索預測查詢的要求

如要建立預測，探索功能必須符合下列條件：

  • 加入一項維度 (必須是時間範圍維度)，並啟用維度填入功能
  • 至少包含一個度量或自訂度量 (預測最多可包含五個度量或自訂度量)
  • 依時間範圍維度排序結果，並以遞減順序排序

注意事項

建立新的探索查詢以進行預測，或在現有探索查詢中新增預測時，請考量下列其他條件：

  • 樞紐：只要符合上述規定，您就可以在樞紐 Explore 中執行預測。
  • 資料列總計和小計：資料列總計和小計不包含預測值；我們不建議在預測時使用小計或資料列總計，因為這可能會產生意外的數字。
  • 包含不完整時間範圍的篩選器：為了準確預測，當探索包含不完整時間範圍的資料時，預測功能只應與探索篩選器中的完整時間範圍邏輯搭配使用。舉例來說，如果使用者預測未來一個月的資料，而探索篩選器只顯示過去三個月的資料，則探索會納入當月未完成的資料。預測功能會將不完整的資料納入計算，並顯示較不可靠的結果。如果探索包含不完整的時間範圍 (例如當月沒有完整的月度資料)，請改用「過去 3 個月」篩選器邏輯，而非「過去 3 個月」，以便取得更準確的預測結果。
  • 表格計算：系統會自動將以一或多個預測指標為基礎的表格計算納入預測中。
  • 資料列數上限：瞭解資料列數上限如何套用至整個資料表，包括預測資料列。

如需其他提示和疑難排解資源，請參閱本頁的「常見問題和注意事項」一節。

一般來說，資料集的資料列越多，且預測長度越短，預測結果就會越準確。

預測選單選項

您可以使用「預測」選單中的選項 (位於「探索」「視覺化」分頁中)，自訂預測資料。「Forecast」選單包含下列選項：

選取欄位

「選取欄位」下拉式選單會顯示「探索」查詢中可用於預測的評估指標或自訂評估指標。最多可選取五個度量或自訂度量。

長度

「長度」選項會指出要預測資料值的資料列數量或時間長度。系統會根據探索查詢中的時間範圍維度，自動填入預測時間間隔。

通常，資料集的資料列越多，且預測長度越短，預測結果就越準確。

預測區間

分析師可透過「預測間隔」選項，表達預測結果的不確定性，以提高預測準確度。啟用後，您可以透過「預測間隔」選項選取預測資料值的邊界。舉例來說，預測區間為 95% 表示預測值落在預測上限和下限之間的機率為 95%。

所選預測區間越大，上限和下限就會越寬。

季節性

分析師可使用「季節性」選項，在預測中考量已知的週期或重複的資料趨勢，此選項指的是週期中資料列的數量。舉例來說，如果 Explore 資料表每小時有 1 列資料，且資料每天循環，則週期為 24。

在預設預測設定下，Looker 會參照探索中的日期維度，並掃描幾個可能的季節性週期，找出最符合最終預測的資料。舉例來說，使用每小時資料時，Looker 可能會嘗試每日、每週和四週的季節性週期。Looker 也會考量維度的頻率。如果維度代表六小時的時間範圍，Looker 就會知道一天內只有四列，並據此調整季節性。

對於常見用途，自動選項會偵測特定資料集的最佳季節性。如果您知道資料集中的特定週期，可以使用「自訂」選項，為預測中的個別指標指定週期列數。

預測多個計量資料值時，您可以為每個個別計量選取不同的季節性選項，包括不選取任何選項。「季節性」下拉式選單提供多個選項：

根據預設，預測功能會將「自動」季節性選項套用至預測，即使未啟用「季節性」選項也一樣。

自動

使用「自動」季節性選項時，Looker 會從多個常見的季節性週期 (例如每日、每小時、每月等) 中，為您的資料選取最佳選項。

自訂

如果您知道資料集中各個季節或週期所包含的資料列數，可以在「週期」欄位中指定該數字。如果您知道資料會在特定數量的資料列中循環，建議選取「自訂」。

如果您要處理的資料以月為週期，但以較精細的精細程度表示 (例如在探索中使用日期或週精細程度)，通常 4 週或 30 天的週期就適合每月週期。

無

季節性是預測功能的重要元素，但視輸入資料而定，不一定適用。如果資料中沒有可預測的週期，啟用季節性功能有時會導致預測不準確，因為演算法會嘗試找出模式，然後嘗試將錯誤模式套用至預測。這可能會導致預測結果不清楚。

當您要預測多個計量資料值，但只想為其中一個或少數幾個計量啟用季節性時，您可以為不想啟用季節性的所有計量，選取「無」。

建立預測

只有具備權限的使用者才能建立預測。

如要建立預測資料，請按照下列步驟操作：

  1. 請確認 Explore 符合預測需求。舉例來說，使用者想為探索查詢建立預測，其中包含以 Users Created Month 降冪排序的 Users Created Month、Users Count 和Orders Count。結果會顯示 2019 年 12 月以前的資料。

  2. 按一下「探索」分頁標籤中的「可視化」分頁標籤，然後點選「預測」選單。

  3. 點選「選取欄位」下拉式選單，最多可選擇五個指標或自訂指標來進行預測。範例中的使用者選取「使用者人數」和「訂單數量」。

  4. 在「長度」欄位中，輸入要預測的未來時間長度。範例中的使用者輸入 6 個月。

  5. 您可以視需要點選「預測間隔」或「季節性」切換鈕，啟用任一函式並自訂相關選項。範例中的使用者並未啟用任何選項。

  6. 按一下「Forecast」旁邊選單分頁中的 x，即可儲存設定並退出選單。

  7. 按一下「執行」，重新執行「探索」查詢。(變更預測資料後，請務必重新執行探索。)

探索結果和視覺化資料現在會顯示指定時間長度的預測值。在指定選項的情況下，範例探索會顯示 2020 年 1 月至 6 月六個月期間的使用者人數和訂單人數預測資料。

由於預測計算結果取決於資料的排序順序，因此在預測查詢執行後，排序功能會停用。

編輯預測

只有具備權限的使用者才能編輯預測資料。

如要編輯預測，請按照下列步驟操作：

  1. 視需要編輯「探索」查詢，新增或移除不同的評估指標或時間範圍欄位。確認 Explore 符合預測需求。
  2. 按一下「探索」「可視化」分頁標籤中的「預測」，開啟「預測」選單。
  3. 按一下「選取欄位」下拉式選單，即可變更預測欄位。如何移除預測欄位：
    • 在展開的「選取欄位」下拉式選單中，按一下預測欄位旁邊的方塊，即可從預測中移除這些欄位。
    • 或者，在「選取欄位」選單中，點選欄位名稱旁的 x。
  4. 在「長度」欄位中，編輯要預測的未來時間長度 (視需要)。
  5. 您可以視需要點選「預測間隔」或「季節性」切換按鈕，啟用任一函式並自訂相關選項。
    • 如果已啟用「預測間隔」或「季節性」，系統就會顯示自訂設定。視需要編輯自訂設定，或選取切換按鈕，從預測中移除函式。
  6. 按一下「Forecast」旁邊選單分頁中的 x，即可儲存設定並退出選單。
  7. 按一下「執行」，重新執行「探索」查詢。(對預測結果進行任何變更後，請務必重新執行探索。)

探索結果和視覺化資料現在會顯示經修訂的預測資料。由於預測計算結果取決於資料的排序順序，因此在預測查詢執行後，排序功能會停用。

移除預測

只有具備權限的使用者才能移除預測資料。

如何從探索中移除預測資料：

  1. 按一下「探索」分頁標籤中的「可視化」分頁標籤，然後點選「預測」選單。
  2. 點選「預測」選單頂端的「清除」。

系統會自動重新執行查詢，產生不含預測結果的結果。

常見問題和注意事項

準確度如何？

預測的準確度取決於輸入資料。Looker 的 AutoARIMA 導入作業可提供非常準確的預測結果，成功結合輸入資料中的許多細微差異。在某些情況下，演算法會陷入輸入資料中的奇怪模式，並在預測中過度強調這些模式。請務必提供足夠的資料，並確保資料盡可能準確，以便充分發揮預測功能。

無法產生預測

系統無法產生預測資料，可能是因為以下合理原因：這通常是因為輸入的資料量太少，或是要求的預測長度過長。這兩項因素都沒有特定限制，且沒有特定的輸入資料比例，可用於特定長度的預測。輸入資料的散布程度和不可預測性越高，AutoARIMA 演算法就越難找到相符的資料。產生預測資料最有效的方法，就是增加經過清理的輸入資料量、確認季節性設定正確無誤，並縮短預測長度，只保留必要的資料。使用預測間隔選項時，建議選擇較短的間隔。

清理輸入資料可能包括：

  • 修剪開頭或結尾的列，這些列代表不含資料的時間範圍
  • 選擇較大的日期維度，減少資料集中的雜訊
  • 變更不會對預測有益的篩選值異常值

查詢結果未傳回預測資料，且我收到不明確的錯誤

這應該不會發生，如果發生，請嘗試移除預測設定中的指標，然後重新加入。

預測值顯示，但明顯有誤或無用

在這種情況下，建議您盡可能新增更多輸入資料，並盡可能清理資料，然後設定自訂季節性 (如果您知道資料中的特定週期)，或選取「無」，完全停用「季節性」選項。

清理輸入資料可能涉及以下工作：

  • 修剪開頭或結尾的列，這些列代表不含資料的時間範圍
  • 選擇較大的日期維度，減少資料集中的雜訊
  • 變更不會對預測有益的篩選值異常值