L'exemple de projet contient plusieurs ensembles de données et des exemples de flux de modélisation. Si vous n'avez pas encore le projet exemple, reportez-vous à la rubrique Tutoriels pour créer le projet exemple. Suivez ensuite les étapes suivantes pour ouvrir l'exemple de projet :

1. Dans 'watsonx, à partir du menu de navigation ', choisissez Projets > Voir tous les projets.
2. Cliquez sur SPSS Modeler Project.
3. Cliquez sur l'onglet Actifs pour voir les ensembles de données et les flux du modélisateur.

Vérifier votre progression

L'image suivante montre l'onglet Actifs du projet. Vous êtes maintenant prêt à travailler avec l'exemple de flux du modeleur associé à ce tutoriel.

haut de page

Prévision de l'utilisation de la bande passante Le flux du modélisateur comprend plusieurs nœuds. Procédez comme suit pour examiner les nœuds Data Asset et Filter:

1. Dans l'onglet Actifs, ouvrez le flux du modeleur Prévision de l'utilisation de la bande passante et attendez que le canevas se charge.
2. Double-cliquez sur le nœud broadband_1.csv. Ce nœud est un nœud de ressources de données qui pointe vers le fichier broadband_1.csv du projet.
3. Examinez les propriétés du format de fichier.
4. Facultatif : cliquez sur "Aperçu des données" pour voir l'ensemble des données : Cliquez sur Aperçu des données pour voir l'ensemble des données.
5. Cliquez deux fois sur le noeud Filtrer. Notez que ce nœud filtre les champs " Market_6 à " Market_85, ainsi que les champs " MONTH_ et " YEAR_.
6. Facultatif : Cliquez sur Aperçu des données pour voir l'ensemble des données filtrées.

Vérifier votre progression

L'image suivante montre le nœud Filtre. Vous êtes maintenant prêt à visualiser les données.

haut de page

C'est toujours une bonne idée de visualiser vos données avant de construire un modèle. Les données présentent-elles des variations saisonnières ? Bien que SPSS Modeler puisse trouver automatiquement le meilleur modèle saisonnier ou non saisonnier pour chaque série, vous pouvez souvent obtenir des résultats plus rapides en limitant la recherche aux modèles non saisonniers lorsque la saisonnalité n'est pas présente dans vos données. Sans examiner les données pour chacun des marchés locaux, vous pouvez vous faire une idée approximative de la présence ou de l'absence de saisonnalité en représentant le nombre total d'abonnés sur l'ensemble des cinq marchés. Suivez les étapes suivantes pour visualiser les données :

1. Double-cliquez sur le nœud [Market_1 Market_2 Market_3 Market_4 Market_5]. L'image suivante montre les propriétés de ce nœud Time plot.

   

2. Créez un graphique des données d'abonnement total en ajoutant le champ " Total à la liste des séries.
   1. Cliquez sur Ajouter des colonnes.
   2. Sélectionnez le champ Total.
   3. Effacer tous les autres champs commençant par " Market_.
   4. Cliquez sur OK.
   5. Effacez les options Afficher les séries dans un panneau séparé et Normaliser.
   6. Cliquez sur Sauvegarder.
   7. Survolez le nœud Time Plot et cliquez sur l'icône Run '.
   8. Dans le volet Sorties et modèles, cliquez sur les résultats de sortie portant le nom [Total] pour afficher le graphique. La série présente une tendance à la hausse régulière, sans aucun signe de variations saisonnières. Il peut y avoir des séries individuelles avec une saisonnalité, mais apparemment la saisonnalité n'est pas une caractéristique dominante des données en général.

      

3. Faites un graphique des données pour l'ensemble des marchés. Examinez chacune des séries avant d'exclure les modèles saisonniers. Vous pouvez ensuite séparer les séries qui présentent une saisonnalité et les modéliser séparément.
   1. Double-cliquez sur le nœud [Total].
   2. Sélectionnez le champ Total et cliquez sur l'icône Supprimer.
   3. Cliquez sur Ajouter des colonnes.
   4. Sélectionnez tous les champs commençant par 'Market_.
   5. Cliquez sur OK.
   6. Effacez les options Afficher les séries dans un panneau séparé et Normaliser.
   7. Cliquez sur Sauvegarder.
   8. Survolez le nœud Time Plot et cliquez sur l'icône Run '.
   9. Dans le volet Sorties et modèles, cliquez sur les résultats de sortie portant le nom [Market_1 Market_2 Market_3 Market_4 Market_5] pour afficher le graphique. L'inspection de chacun des marchés met en évidence une tendance ascendante régulière dans chaque cas. Bien que certains marchés soient un peu plus irréguliers que d'autres, les résultats ne montrent pas de signes de saisonnalité.

      

Vérifier votre progression

L'image suivante illustre le flux. Vous êtes maintenant prêt à définir les dates.

haut de page

Les nœuds de remplissage sont utilisés pour remplacer les valeurs des champs et modifier le stockage. Vous pouvez choisir de remplacer les valeurs sur la base d'une condition CLEM spécifiée, telle que '@BLANK(FIELD). Vous pouvez également choisir de remplacer tous les blancs ou les valeurs nulles par une valeur spécifique. Les nœuds de remplissage sont souvent utilisés avec le nœud Type pour remplacer les valeurs manquantes. Procédez comme suit pour définir le type de stockage du champ " DATE_ au format date :

1. Double-cliquez sur le nœud de remplissage pour afficher ses propriétés.
2. Remarquez que le champ " DATE_ figure dans la section " Remplir les champs". Cette section comprend les champs de l'ensemble de données dont les valeurs sont examinées et remplacées.
3. Vérifiez que l'option Remplacer est réglée sur Toujours. Le comportement par défaut consiste à remplacer les valeurs basées sur une condition en utilisant les expressions Condition et Remplacer par.
4. Vérifiez que la valeur Remplacer par est définie sur " to_date(DATE_). L'option Remplacer étant définie sur Toujours, l'expression Remplacer par est nécessaire. Cette expression modifie le type de stockage du champ " DATE_ en le remplaçant par un format de date.
5. Cliquez sur Aperçu des données pour voir le champ " DATE_ complété.
6. Cliquez sur Sauvegarder.

Vérifier votre progression

L'image suivante montre le nœud de remplissage. Vous êtes maintenant prêt à définir les objectifs.

haut de page

Vous pouvez spécifier les propriétés d'un champ dans un nœud de type. Suivez les étapes suivantes pour définir les cibles dans le nœud Type :

1. Cliquez deux fois sur le noeud Type pour afficher ses propriétés.
2. Cliquez sur Lire les valeurs pour lire les valeurs de votre source de données et définir les types de mesure du champ.
   Le " Rôle indique aux nœuds de modélisation si les champs sont des " Entrée (champs prédictifs) ou des " Cible (champs prédits) pour un processus d'apprentissage automatique. Les rôles Both et None sont également disponibles, ainsi que Partition, qui indique un champ utilisé pour diviser les enregistrements en échantillons distincts à des fins de formation, de test et de validation. La valeur Split spécifie que des modèles distincts sont construits pour chaque valeur possible du champ.
3. Pour le champ " DATE_, définissez le rôle sur Aucun.
4. Pour tous les autres champs (les champs " Market_n plus le champ " Total ), définissez le rôle sur Cible.
5. Cliquez sur Sauvegarder.

Vérifier votre progression

L'image suivante montre le nœud Type. Vous êtes maintenant prêt à définir les intervalles de temps.

haut de page

Dans le nœud Série temporelle, vous pouvez définir les observations qui utilisent un champ Date/Heure avec l'intervalle de temps approprié. Procédez comme suit pour définir les intervalles de temps dans le nœud Times Series:

1. Double-cliquez sur le nœud Série temporelle (6 champs) pour afficher ses propriétés.
2. Développez la section Observations et intervalle de temps. Les options suivantes sont disponibles :
   • Observations spécifiées par un champ date/heure : Vous pouvez spécifier de définir les observations par un champ de date, d'heure ou d'horodatage. Outre le champ qui définit les observations, sélectionnez l'intervalle de temps approprié qui décrit les observations. Selon l'intervalle de temps choisi, vous pouvez spécifier d'autres paramètres, comme l'intervalle entre les observations (incrément) ou le nombre de jours par semaine.
   • Observations définies comme des périodes ou des périodes cycliques : Les observations sont définies par un ou plusieurs champs entiers qui représentent des périodes ou des cycles répétitifs de périodes, jusqu'à un nombre arbitraire de niveaux de cycle. Cette structure permet de décrire une série d'observations qui ne correspondent pas à l'un des intervalles de temps standard. Par exemple, un exercice avec seulement 10 mois peut être décrit avec une zone de cycle qui représente des années et un champ de période qui représente des mois, où la longueur d'un cycle est de 10.
3. 1. Vérifiez que " DATE_ est sélectionné dans le champ Heure/Date.
   2. Vérifiez que " Months est sélectionné dans le champ Intervalle de temps.
4. Développez la section Options du modèle.
   1. Sélectionnez le champ Prolonger les enregistrements dans le futur. Ce champ définit le nombre d'intervalles à prévoir au-delà de la fin de la période d'estimation. Dans ce cas, l'intervalle de temps est celui de l'analyse. Lorsque des prévisions sont demandées, des modèles autorégressifs sont automatiquement construits pour toutes les séries d'entrée qui ne sont pas également des cibles. Ces modèles sont ensuite utilisés pour générer des valeurs pour ces séries d'entrée sur la période de prévision.
   2. Tapez '3 pour le nombre d'intervalles de temps.

Vérifier votre progression

L'image suivante montre le nœud Type. Vous êtes maintenant prêt à construire le modèle.

haut de page

Avec le nœud Time Series, vous pouvez choisir d'estimer et de construire des modèles de lissage exponentiel, de moyenne mobile intégrée autorégressive univariée (ARIMA) ou d'ARIMA multivariée (ou fonction de transfert) pour les séries temporelles, et de produire des prévisions basées sur les données des séries temporelles.

Tâche 7a: Spécifier les options du modèle

Suivez ces étapes pour spécifier les options du modèle dans le nœud Times Series:

1. En visualisant les propriétés du nœud " Séries chronologiques (6 champs), spécifiez les codes " Objectifs et " Contributions des candidats.
   1. Vérifiez que le tableau Cibles comprend les cinq champs du marché et le champ " Total.
   2. Vérifiez que la table des entrées du candidat comprend les cinq champs du marché.
2. Développez la section Build options- general. Les options suivantes sont disponibles :
   • Lissage exponentiel est une méthode de prévision qui utilise des valeurs pondérées des observations de la série précédente pour prédire les valeurs futures. De part sa nature, le lissage exponentiel n'est pas basé sur une compréhension théorique des données. Cette méthode prévoit un point à la fois, ajuste ses prévisions au fur et à mesure de l'arrivée de nouvelles données. La technique permet de prévoir les séries qui présentent une tendance et/ou une saisonnalité. Vous pouvez choisir parmi divers modèles exponentiels qui diffèrent dans leur manière de traiter la tendance et la saison.
   • Les modèles ARIMA fournissent des méthodes plus sophistiquées pour modéliser les tendances et les composants saisonniers que les modèles de lissage exponentiel, et, en particulier, ils permettent l'avantage supplémentaire d'inclure des variables indépendantes (prédicteur) dans le modèle. Cette approche implique de spécifier explicitement les ordres autorégressifs et de moyenne mobile ainsi que le degré de différenciation. Vous pouvez inclure des variables de prédicteur et définir des fonctions de transfert pour certaines ou pour toutes, et spécifier la détection automatique des valeurs extrêmes ou d'un ensemble explicite de valeurs extrêmes.
   • Expert Modeler tente d'identifier et d'estimer automatiquement le modèle ARIMA ou de lissage exponentiel le mieux adapté à une ou plusieurs variables cibles, éliminant ainsi la nécessité d'identifier un modèle approprié par essais et erreurs. En cas de doute, utilisez l'option Expert Modeler.
   1. Vérifiez que la méthode Expert Modeler est sélectionnée. Cette méthode permet au modélisateur expert de décider du modèle le plus approprié à utiliser pour chaque série temporelle.
   2. Vérifiez que l'option Tous les modèles est sélectionnée dans le champ Type de modèle. Cette option prend en compte les modèles ARIMA et de lissage exponentiel.
   3. Vérifiez que le champ Modèle expert prend en compte les modes saisonniers est sélectionné. Lorsque cette option est sélectionnée, Expert Modeler prend en considération les modèles saisonniers et non saisonniers.
   L'image suivante montre les paramètres du " Options de construction - généralités

   
3. Cliquez sur Sauvegarder.
4. Survolez le nœud Time series (6 fields) et cliquez sur l'icône Run '.

Tâche 7b: Visualiser les résultats du modèle

Procédez comme suit pour afficher les résultats du modèle sous forme de tableau :

1. Survolez le nœud Table qui est connecté à la pépite du modèle et cliquez sur l'icône Run " .
2. Dans le volet Sorties et modèles, cliquez sur les résultats de sortie portant le nom Table pour afficher la sortie de la table.

   Remarquez les trois nouvelles lignes ajoutées à la fin des données originales. Ces lignes correspondent à la période de prévision, en l'occurrence de janvier à mars 2004.

   

   Vous voyez plusieurs nouvelles colonnes. Le nœud Time Series a ajouté les colonnes '$TS- Les colonnes indiquent les informations suivantes pour chaque ligne (c'est-à-dire, pour chaque intervalle dans les séries temporelles) :

   Tableau 1. Colonnes générées dans le modèle de série temporelle

   Colonne	Descriptif
   $TS-nom_colonne	Données de modèle générées pour chaque colonne des données d'origine.
   $TSLCI-nom_colonne	Valeur inférieure de l'intervalle de confiance pour chaque colonne de données du modèle généré.
   $TSUCI-nom_colonne	Valeur supérieure de l'intervalle de confiance pour chaque colonne de données du modèle généré.
   $TS-Total	Total des valeurs de $TS-nom_colonne pour cette ligne.
   $TSLCI-Total	Total des valeurs de $TSLCI-nom_colonne pour cette ligne.
   $TSUCI-Total	Total des valeurs de $TSUCI-nom_colonne pour cette ligne.

   Les colonnes les plus significatives pour la prévision sont les colonnes $TS-Market_n, $TSLCI-Market_n et $TSUCI-Market_n. Elles contiennent notamment, pour les trois dernières lignes, les données prévisionnelles d'abonnement des utilisateurs et les intervalles de confiance de chacun des marchés locaux.

Vérifier votre progression

L'image suivante montre le tableau de sortie. Vous êtes maintenant prêt à examiner le modèle.

haut de page

Vous êtes maintenant prêt à examiner les informations du modèle et les résultats de la prédiction.

Tâche 8a: Visualiser les informations du modèle

Procédez comme suit pour afficher les informations sur le modèle :

1. Passez la souris sur le modèle de série temporelle et cliquez sur le menu de débordement " .
   
2. Dans la colonne TARGET, cliquez sur Market_2.
   1. Cliquez sur Informations sur le modèle. La ligne Nombre de prédicteurs indique combien de champs ont été utilisés comme prédicteurs pour chaque cible.

      Les autres lignes des tables Informations sur le modèle montrent différentes mesures de qualité d'ajustement pour chaque modèle. R-deux stationnaire indique dans quelle mesure un modèle est meilleur qu'un modèle de référence (ligne de base). Si le modèle final est ARIMA(p,d,q)(P,D,Q), le modèle de référence est ARIMA(0,d,0)(0,D,0). Si le modèle final est un modèle de lissage exponentiel, D est 2 pour le modèle Brown et Holt et 1 pour les autres modèles, et D est 1 si la longueur saisonnière est supérieure à 1, sinon D est 0. Un R-carré stationnaire négatif signifie que le modèle considéré est moins bon que le modèle de base. Un R-carré stationnaire nul signifie que le modèle est aussi bon ou mauvais que le modèle de base et un R-carré stationnaire positif signifie que le modèle est meilleur que le modèle de base.

      Les lignes Statistique et df, ainsi que la donnée Signification sous Estimations des paramètres, se rapportent à la statistique Ljung-Box, test du caractère aléatoire des erreurs résiduelles dans le modèle. Plus les erreurs sont aléatoires, meilleur peut être le modèle. La statistique est la statistique de Ljung-Box elle-même, tandis que les df (degrés de liberté) indiquent le nombre de paramètres du modèle qui peuvent varier lors de l'estimation d'une cible particulière.

      La ligne Signification affiche la valeur de signification de la statistique Ljung-Box, qui indique si le modèle est correctement spécifié. Une valeur de signification inférieure à 0,05 indique que les erreurs résiduelles ne sont pas aléatoires ce qui implique l'existence, dans la série observée, d'une structure inexpliquée par le modèle.

      Si l'on tient compte des valeurs de R-carré stationnaire et de signification, les modèles choisis par le modélisateur expert pour le " Market_3 et le " Market_4 sont acceptables. Les valeurs Signification pour Market_1, Market_2 et Market_5 sont toutes inférieures à 0,05, ce qui signifie qu'une expérimentation avec des modèles mieux adaptés pour ces marchés pourrait s'avérer nécessaire.

      L'écran affiche plusieurs mesures d'adéquation. La valeur R-deux (ou R carré) donne une estimation de la variation totale de la série temporelle qui peut être expliquée par le modèle. La valeur maximale de cette statistique étant de 1.0, vos modèles sont satisfaisants à cet égard.

      L'erreur quadratique moyenne est une mesure de l'écart entre les valeurs réelles d'une série et les valeurs prédites par le modèle. Elle est exprimée dans les mêmes unités que celles utilisées pour la série elle-même. Cette erreur étant la mesure d'une erreur, il est souhaitable que cette valeur soit la plus faible possible. À première vue, les modèles pour " Market_2 et " Market_3, bien que toujours acceptables selon les statistiques que vous avez vues jusqu'à présent, sont moins performants que les modèles pour les trois autres marchés.

      Ces mesures de qualité d'ajustement supplémentaires comprennent l'erreur absolue moyenne en pourcentage (MAPE) et sa valeur maximale (MAXAPE). L'erreur absolue en pourcentage mesure la proportion de la variation d'une série cible par rapport à son niveau prévu par le modèle et elle est exprimée en valeur de pourcentage. En examinant la moyenne et le maximum sur l'ensemble des modèles, vous pouvez obtenir une indication quant à l'incertitude inhérente à vos prévisions.

      La valeur MAPE montre que tous les modèles présentent une incertitude moyenne d'environ 1 %, ce qui est faible. La valeur MAXAPE affiche l'erreur maximale absolue en pourcentage et permet d'imaginer le pire des scénarios pour vos prévisions. Il montre que le pourcentage d'erreur le plus élevé pour la plupart des modèles se situe entre 1.8 et 3.7 environ, ce qui constitue à nouveau une série de chiffres peu élevés, seul le " Market_4 étant plus élevé (près de 7 %).

      La valeur MAE (erreur absolue moyenne) indique la moyenne des valeurs absolues des erreurs de prévision. Comme la valeur RMSE, cette valeur est exprimée dans les mêmes unités que celles utilisées pour la série elle-même. MAXAE indique l'erreur de prévision la plus importante dans les mêmes unités et indique le scénario le plus défavorable pour les prévisions.

      Bien que ces valeurs absolues soient intéressantes, les valeurs des erreurs en pourcentage (MAPE et MAXAPE) sont les plus utiles dans le cas présent, car les séries cibles représentent des nombres d'abonnés pour des marchés de différentes tailles.

      Les valeurs de MAPE et MAXAPE représentent-elles un niveau d'incertitude acceptable pour les modèles ? Ils sont très bas. Dans cette situation, le sens des affaires entre en jeu, car le risque acceptable varie d'un problème à l'autre. Vous supposez que les statistiques d'ajustement se situent dans des limites acceptables, et vous passez donc à l'examen des erreurs résiduelles.

      L'examen des valeurs de la fonction d'autocorrélation (ACF) et de la fonction d'autocorrélation partielle (PACF) pour les résidus des modèles donne un aperçu plus quantitatif sur les modèles que la simple consultation des statistiques de qualité d'ajustement.

      Un modèle de série temporelle bien spécifié saisit toutes les variations non aléatoires, y compris la saisonnalité, la tendance et les facteurs cycliques et autres qui sont importants. Le cas échéant, aucune erreur ne devra être corrélée avec elle-même (autocorrélation). Une structure significative dans l'une ou l'autre des fonctions d'autocorrélation peut impliquer que le modèle sous-jacent est incomplet.

   2. Fermez la fenêtre Market_2.
3. Cliquez sur le modèle Market_4.
   1. Cliquez sur Corrélogramme pour afficher les valeurs de la fonction d'autocorrélation(ACF) et de la fonction d'autocorrélation partielle(PACF) pour les erreurs résiduelles du modèle.

      

      Dans ces graphiques, les valeurs originales de la variable d'erreur lag (sous BUILD OPTIONS - OUTPUT) jusqu'à la valeur par défaut de 24 périodes sont comparées à la valeur originale pour voir s'il y a une corrélation dans le temps. Idéalement, les barres représentant tous les retards de l'ACF et de la PACF devraient se trouver dans la zone ombrée. Toutefois, dans la pratique, il peut y avoir des décalages en dehors de la zone ombrée. Cette situation peut se produire, par exemple, lorsque l'on essaie d'inclure des décalages plus importants dans le modèle pour gagner du temps de calcul. Certains décalages sont insignifiants et retirés du modèle. Si vous souhaitez améliorer encore le modèle et qu'il vous importe peu de savoir si ces décalages sont redondants ou non, ces graphiques vous serviront d'aide pour déterminer quels décalages sont des prédicteurs potentiels.

      Dans ce cas, il est nécessaire de vérifier le tracé inférieur(PACF) pour voir si la structure y est confirmée. Le graphique PACF examine les corrélations après avoir contrôlé les valeurs des séries aux points temporels intermédiaires.

      Les valeurs du " Market_4 se trouvent toutes dans la zone ombrée, vous pouvez donc continuer et vérifier les valeurs des autres marchés.

   2. Fermez la fenêtre Market_4.
4. Ouvrez le Corrélogramme pour chacun des autres marchés et les totaux.

   Les valeurs des autres marchés se situent toutes en dehors de la zone ombrée, ce qui confirme ce que vous soupçonniez à partir de leurs valeurs de signification. Vous devrez expérimenter différents modèles pour ces marchés à un moment donné pour voir si vous pouvez obtenir une meilleure adéquation, mais pour le reste de cet exemple, vous vous concentrez sur les autres enseignements que vous pouvez tirer du modèle " Market_4 ".

5. Fermez les fenêtres du modèle pour revenir à votre canevas de flux.

Tâche 8b: Visualiser les prédictions

Suivez les étapes suivantes pour visualiser les prédictions :

Comparaison des données réelles et des prévisions

1. Double-cliquez sur le nœud Tracé temporel connecté à la pépite du modèle Série temporelle.
2. Désactivez l'option Afficher la série dans un panneau séparé.
3. Dans la liste des séries, supprimez tous les champs à l'exception des champs " Market_4 et " $TS-Market_4
4. Cliquez sur Sauvegarder.
5. Survolez le nœud Time PlotMarket_4 $TS-Market_4 $TSLCI-Market_4 $TSUCI-Market_4] et cliquez sur l'icône Run '.
6. Dans le volet Sorties et modèles, cliquez sur les résultats de sortie portant le nom [Market_4 $TS-Market_4 $TSLCI-Market_4 $TSUCI-Market_4] pour afficher le graphique. Comme vous pouvez le constater, la courbe prévisionnelle ($TS-Market_4) s'étend au-delà de la fin des données réelles. Vous disposez désormais d'une prévision de la demande pour les trois prochains mois dans ce marché. Les lignes correspondant aux données réelles et aux données prévues pour l'ensemble de la série temporelle sont très proches les unes des autres sur le graphique, ce qui indique que ce modèle est fiable pour cette série temporelle particulière.

   

Tracer l'intervalle de confiance

1. Double-cliquez sur le nœud Time Plot [Market_4 $TS-Market_4 $TSLCI-Market_4 $TSUCI-Market_4]. Vous disposez d'un modèle fiable pour ce marché en particulier, mais quelle est la marge d'erreur de la prévision ? Vous pouvez obtenir une indication de la marge d'erreur en examinant l'intervalle de confiance.
2. Dans la section Série, supprimez les champs " Market_4 et " $TS-Market_4
3. Cliquez sur Ajouter des colonnes.
   1. Sélectionnez les champs " $TSLCI-Market_4 et " $TSUCI-Market_4
   2. Cliquez sur OK.
4. Cliquez sur Sauvegarder.
5. Survolez le nœud Time Plot [Market_4 $TS-Market_4 $TSLCI-Market_4 $TSUCI-Market_4] et cliquez sur l'icône Run '.
6. Dans le volet Sorties et modèles, cliquez sur les résultats de sortie portant le nom [Market_4 $TS-Market_4 $TSLCI-Market_4 $TSUCI-Market_4] pour afficher le graphique. Vous avez maintenant le même graphique que précédemment, mais les limites supérieure ($TSUCI) et inférieure ($TSLCI) de l'intervalle de confiance ont été ajoutées. Comme vous pouvez le constater, les limites de l'intervalle de confiance divergent sur l'ensemble de la période de prévision, ce qui traduit une incertitude croissante dès lors que la prévision porte sur une période plus longue. Cependant, au fur et à mesure que chaque période s'écoule, vous disposez d'un mois supplémentaire (dans ce cas) de données d'utilisation réelle sur lesquelles vous pouvez baser vos prévisions. Dans un scénario réel, vous pourriez lire les nouvelles données dans le flux et réappliquer votre modèle maintenant que vous savez qu'il est fiable.

   

7. Fermez la fenêtre du graphique.

Vérifier votre progression

L'image suivante montre le flux terminé.

haut de page