Prognose der Katalogverkäufe

Das Beispielprojekt enthält mehrere Datensätze und Modellierungsabläufe. Wenn Sie das Beispielprojekt noch nicht haben, finden Sie unter Tutorials eine Anleitung zum Erstellen des Beispielprojekts. Gehen Sie dann wie folgt vor, um das Beispielprojekt zu öffnen:

1. In Cloud Pak for Data wählen Sie im Navigationsmenü Projekte > Alle Projekte anzeigen aus.
2. Klicken Sie auf SPSS Modeler.
3. Klicken Sie auf die Registerkarte Assets, um die Datensätze und Modellierungsabläufe zu sehen.

Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt die Registerkarte Assets des Projekts. Sie sind nun bereit, mit dem zu diesem Lehrgang gehörenden Beispielmodellierungsablauf zu arbeiten.

Zurück zum Seitenanfang

Die Prognose der Katalogverkäufe umfasst mehrere Knotenpunkte. Gehen Sie folgendermaßen vor, um die Knoten Daten-Asset und Typ zu untersuchen:

1. Öffnen Sie auf der Registerkarte Assets den Modellierungsfluss Forecasting Catalog Sales, und warten Sie, bis die Leinwand geladen ist.
2. Doppelklicken Sie auf den Knoten catalog_seasfac.csv. Dieser Knoten ist ein Daten-Asset-Knoten, der auf die Datei catalog_seasfac.csv im Projekt verweist.
3. Überprüfen Sie die Eigenschaften des Dateiformats.
4. Optional: Klicken Sie auf Datenvorschau, um den vollständigen Datensatz zu sehen.
5. Doppelklicken Sie auf den Knoten Typ.
   1. Klicken Sie auf Werte lesen.
   2. Vergewissern Sie sich, dass die Rolle im Feld Männer auf Ziel eingestellt ist.
   3. Vergewissern Sie sich, dass für alle anderen Felder die Rolle auf "Keine" gesetzt ist.
   4. Klicken Sie auf Speichern.
6. Optional: Klicken Sie auf Datenvorschau, um den gefilterten Datensatz zu sehen.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt den Knoten Typ. Jetzt können Sie die Daten visualisieren.

Zurück zum Seitenanfang

Führen Sie die folgenden Schritte aus, um einen Zeitdiagrammknoten zur Visualisierung der Daten zu verwenden:

1. Fügen Sie einen Knoten Zeitdiagramm hinzu:
   1. Erweitern Sie in der Knotenpalette den Abschnitt Graphen.
   2. Ziehen Sie den Knoten Zeitdiagramm auf die Leinwand.
   3. Verbinden Sie den Knoten Typ mit dem neuen Knoten Zeitdiagramm.
2. Doppelklicken Sie auf den Knoten Zeitdiagramm, um seine Eigenschaften festzulegen.
3. 1. Klicken Sie im Abschnitt Serien auf Spalten hinzufügen.
   2. Wählen Sie das Feld Männer.
   3. Klicken Sie auf OK.
   4. Wählen Sie Benutzerdefinierte X-Achsen-Feldbeschriftung verwenden.
   5. Für die Beschriftung der X-Achse wählen Sie Datum.
   6. Deaktivieren Sie die Option Normalisieren.
   7. Klicken Sie auf Speichern.
4. Bewegen Sie den Mauszeiger über das Feld ' [men] v. gehen Sie zum Knoten " " und klicken Sie auf das Symbol "Ausführen" .
5. Klicken Sie im Bereich Ergebnisse und Modelle auf das Ergebnis mit dem Namen " [men] v. datum, um das Diagramm 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 bereits erwähnt, weisen diese Daten beide Merkmale auf.

Überprüfen Sie Ihren Fortschritt

Das folgende Bild zeigt ein Diagramm. Jetzt können Sie das Modell bauen.

Zurück zum Seitenanfang

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 wird jedoch ein einfaches Modell (ohne Trend und ohne Saisonalität) und dann ein Holt-Modell (mit linearem Trend, aber ohne Saisonalität) untersucht. Dadurch können Sie üben zu erkennen, wenn 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 Modell der exponentiellen Glättung zu erstellen:

1. Doppelklicken Sie auf den Knoten Männer (Zeitreihen), um seine Eigenschaften anzuzeigen.
2. Erweitern Sie den Abschnitt Beobachtungen und Zeitintervall, und legen Sie diese Eigenschaften fest:
   1. Vergewissern Sie sich, dass Zeit/Datum auf Datum eingestellt ist.
   2. Stellen Sie sicher, dass das Zeitintervall auf Monate eingestellt ist.
3. Erweitern Sie den Abschnitt Erstellungsoptionen - Allgemein, und legen Sie diese Eigenschaften fest:
   1. Stellen Sie sicher, dass die Methode auf Exponentielle Glättung eingestellt ist.
   2. Stellen Sie sicher, dass 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 das Diagramm anzuzeigen.
   Der Plot men (Herren) stellt die aktuellen Daten dar, während $TS-men das Zeitreihenmodell angibt.

   

   Das einfache Modell zeigt zwar einen graduellen (und ziemlich schwerfälligen) Aufwärtstrend, berücksichtigt jedoch keine Saisonalität. Sie können dieses Modell getrost verwerfen.

   Versuchen Sie nun ein lineares Modell von Holt. Dieses Modell sollte zumindest den Trend besser abbilden als das einfache Modell, obwohl es wahrscheinlich auch nicht die Saisonalität erfasst.

7. Doppelklicken Sie auf den Knoten Männer (Zeitreihen) und legen Sie diese Eigenschaften fest:
   1. Erweitern Sie den Abschnitt Build-Optionen - Allgemein.
   2. Setzen Sie den Modelltyp auf den linearen Trend von Holt.
   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 das Diagramm 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 Männer (Zeitreihen) und legen Sie diese Eigenschaften fest:
    1. Erweitern Sie den Abschnitt Build-Optionen - Allgemein.
    2. Setzen Sie den Modelltyp auf Winters' multiplikativ.
    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 das Diagramm anzuzeigen.

    Dieses Modell sieht besser aus. Das Modell spiegelt sowohl den Trend als auch die Saisonalität der Daten wider. Der Datensatz deckt einen Zeitraum von 10 Jahren ab und enthält 10 saisonale Spitzenwerte, die jeweils im Dezember eines Jahres auftreten. 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 das ARIMA-Verfahren verwenden.

    

Überprüfen Sie Ihren Fortschritt

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

Zurück zum Seitenanfang

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.

In Fortsetzung des Beispiels des Katalogunternehmens, das ein Prognosemodell entwickeln möchte, haben Sie gesehen, wie das Unternehmen Daten über die monatlichen Verkäufe von Herrenbekleidung zusammen mit mehreren Reihen gesammelt hat, die zur Erklärung einiger der Schwankungen bei den Verkäufen verwendet 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 Vorhersagefähigkeit gegenüber dem exponentiellen Glättungsmodell ohne Prädiktoren gibt.

Bei der ARIMA-Methode können Sie eine Feinabstimmung des Modells vornehmen, indem Sie die Ordnungen der Autoregression, der Differenzierung und des gleitenden Durchschnitts sowie die saisonalen Gegenstücke zu diesen Komponenten festlegen. Die besten Werte für diese Komponenten manuell zu ermitteln, kann ein zeitaufwändiger Prozess sein, bei dem viel ausprobiert werden muss. Daher legen Sie für dieses Beispiel fest, dass der Expert Modeler ein ARIMA-Modell für Sie auswählt.

Als Nächstes erstellen Sie ein besseres Modell, indem Sie einige der anderen Variablen im Datensatz als Prädiktorvariablen behandeln. Als Prädiktoren am geeignetsten erscheinen folgende Variablen: Die Anzahl der versendeten Kataloge (mail), die Anzahl der Seiten im Katalog (page), die Anzahl der Telefonleitungen, über die eine Bestellung möglich ist (phone), die Ausgaben für Werbung in Printmedien (print) und die Anzahl der Kundendienstmitarbeiter (service).

Folgen Sie diesen Schritten, um ein ARIMA-Modell zu erstellen:

1. Doppelklicken Sie auf den Knoten Typ, um seine Eigenschaften festzulegen.
   1. Vergewissern Sie sich, dass die Rolle für die Felder Mail, Page, Phone, Print und Service auf Input gesetzt ist.
   2. Stellen Sie sicher, dass die Rolle für Männer auf Ziel eingestellt ist.
   3. Setzen Sie die Rolle für alle übrigen Felder auf Keine.
   4. Klicken Sie auf Speichern.
2. Doppelklicken Sie auf den Knoten Männer (Zeitreihen) und legen Sie diese Eigenschaften fest:
   1. Erweitern Sie den Abschnitt Build-Optionen - Allgemein.
   2. Setzen Sie die Methode auf Expert Modeler.
   3. Stellen Sie als Modelltyp nur ARIMA-Modelle ein.
   4. Wählen Sie die Option Expert Modeler berücksichtigt saisonale Modelle.

      

   5. Klicken Sie auf Speichern.
3. Klicken Sie auf Alle ausführen.
4. Klicken Sie im Fensterbereich 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 das Modelierungprogramm 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 das Diagramm 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 Zeitpunkt werden wahrscheinlich minimal sein. Sie haben festgestellt, dass das ARIMA-Modell mit Prädiktoren vorzuziehen ist, also verwenden Sie dieses Modell, um die Verkäufe für das kommende Jahr zu prognostizieren.

6. Schließen Sie das Diagrammfenster.
7. Doppelklicken Sie auf den Knoten Männer (Zeitreihen) und legen Sie diese Eigenschaften fest:
   1. Erweitern Sie den Abschnitt Modelloptionen.
   2. Wählen Sie die Option " Datensätze in die Zukunft verlängern " und setzen Sie den Wert auf " 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 das Diagramm anzuzeigen.

   Die Vorhersage sieht gut aus. Wie erwartet, kehren die Umsätze nach dem Höchststand im Dezember wieder auf ein normales Niveau zurück, und in der zweiten Jahreshälfte ist ein stetiger Aufwärtstrend zu verzeichnen, wobei die Umsätze im Allgemeinen über denen des Vorjahrs liegen.

Überprüfen Sie Ihren Fortschritt

Die folgende Abbildung zeigt ein Diagramm, das das ARIMA-Modell verwendet.

Zurück zum Seitenanfang