Série temporal

O Zoho Analytics permite prever quaisquer dados de séries temporais, ou seja, qualquer métrica coletada em intervalos de tempo iguais. Você pode prever um relatório que tenha pelo menos uma coluna agregada plotada em uma série temporal contínua. O mecanismo de previsão do Zoho Analytics requer um mínimo de seis pontos de dados contínuos na série temporal para analisar e prever dados. Quanto mais pontos de dados seu relatório tiver, melhor será o resultado da previsão. 

Caso haja valores ausentes em seus dados, o Zoho Analytics preencherá os valores dos pontos de dados ausentes. Para preencher valores automaticamente, o mecanismo de previsão obterá a média dos valores de pontos de dados anteriores e posteriores para preencher os locais. 

Observação: se os valores ausentes forem mais de 40% dos dados originais, o mecanismo de previsão interromperá o processo para evitar previsões imprecisas.

Análise de dados 

Agora, o mecanismo de previsão obtém os pontos de dados para uma série temporal contínua. Ele aprenderá a presença de tendência, sazonalidade e aleatoriedade nos dados da série temporal. Esses fatos são identificados para decidir sobre o modelo de previsão. 

Tendência 

Tendência refere-se a um aumento ou diminuição uniforme na série ao longo do tempo. O mecanismo de previsão detecta a presença de uma tendência na série de dados usando o modelo de regressão. Se a linha desenhada usando o modelo de Regressão tiver uma inclinação, uma tendência estará presente nos dados. Se a linha desenhada for reta, não há tendência nos dados. 

Sazonalidade 

A sazonalidade é um valor de repetição previsível em uma frequência estimada. Isso é calculado usando a análise espectral. 

• Aditivo - Aqui, as contribuições dos componentes são quase as mesmas.
• Multiplicativo - Aqui, pelo menos algumas contribuições de componentes são multiplicadas.

Aleatoriedade

Aleatoriedade são pontos aleatórios sem nenhum padrão identificado entre as séries de dados. Isso também é chamado de erro. 

Seleção de modelo

Dependendo dos padrões identificados nos dados (presença de Tendência, Sazonalidade e Aleatoriedade), o mecanismo de previsão primeiro seleciona automaticamente um conjunto de modelos de previsão para sua série de dados. E, por fim, seleciona o modelo com melhor resultado como modelo de previsão para seus dados.

A tela a seguir lista os modelos de previsão que serão aplicados sobre os padrões correspondentes identificados.

A seguir estão os modelos de previsão usados para prever a série de dados. Cada modelo terá um conjunto de modelos dentro. 

• Regressão
• Decomposição de Loess de Tendência de Sazonalidade (STL)
• Técnica de suavização exponencial (ETS)
  

Regressão

A regressão é baseada no modelo de ciência de dados. Este estuda o comportamento da série de dados e encontra parâmetros para ajustar os modelos. Uma vez que estuda os padrões entre as séries aleatórias, diferentes modelos de regressão como linear, logarítmico, exponencial, potência e polinomial (até o grau 7) serão tentados sobre elas. Esses modelos traçarão uma linha junto com os dados existentes. Para identificar o melhor modelo, o mecanismo de previsão usará o método R^2 . O modelo com maior R-quadrado   é selecionado como o melhor resultado para o modelo de Regressão.

Decomposição de Loess de Tendência de Sazonalidade (STL)

Com a decomposição Seasonal Trend Loess, obtemos os componentes de tendência, estação e erro. O componente sazonal é considerado repetitivo. A tendência, a estação e o erro são então combinados pelo método aditivo ou multiplicativo para calcular os valores futuros. A suavização de pontos aleatórios também será atendida neste modelo.

O modelo Aditivo adicionará pontos de tendência, sazonalidade e aleatórios. 

O modelo Multiplicativo irá multiplicar pontos de tendência, sazonalidade e aleatórios juntos. 

O melhor modelo em STL é selecionado usando o método  Root Mean Square Error (RMSE). 

Técnica de Suavização Exponencial / Tratamento explícito de Tendência e Sazonalidade (ETS)

O mecanismo de previsão emprega um conjunto de técnicas de suavização exponencial com base em seus dados. Neste modelo, os valores recentes influenciam mais a previsão. 

A tela a seguir ilustra as possíveis combinações de modelos aditivos/multiplicativos/amortecimento sobre tendência e sazonalidade.