Il progetto campione contiene diversi set di dati e flussi di modellazione di esempio. Se non si dispone già del progetto di esempio, consultare l'argomento Tutorial per creare il progetto di esempio. Seguite quindi i passaggi seguenti per aprire il progetto campione:

1. In Cloud Pak for Data, dal menu di navigazione ', scegliere Progetti > Visualizza tutti i progetti.
2. Fare clic su ProgettoSPSS Modeler.
3. Fare clic sulla scheda Assets per visualizzare i set di dati e i flussi del modellatore.

Controllare i progressi

L'immagine seguente mostra la scheda Assets del progetto. Ora si è pronti a lavorare con il flusso del modellatore di esempio associato a questa esercitazione.

torna all'inizio

La previsione delle vendite del catalogo comprende diversi nodi. Seguire i seguenti passaggi per esaminare i nodi 'Asset di dati e 'Tipo:

1. Dalla scheda Attività, aprire il flusso del modellatore Forecasting Catalog Sales e attendere il caricamento dell'area di disegno.
2. Fare doppio clic sul nodo catalog_seasfac.csv. Questo nodo è un nodo di risorse dati che punta al file catalog_seasfac.csv nel progetto.
3. Esaminare il 'Proprietà del formato del file.
4. Facoltativo: Fare clic su Anteprima dati per visualizzare l'intero set di dati.
5. Fare doppio clic sul nodo Tipo.
   1. Fare clic su Leggi valori.
   2. Per il campo uomini, verificare che il ruolo sia impostato su Destinazione.
   3. Verificare che tutti gli altri campi abbiano il ruolo impostato su Nessuno.
   4. Fare clic su Salva.
6. Facoltativo: Fare clic su Anteprima dati per visualizzare il set di dati filtrati.

Controllare i progressi

L'immagine seguente mostra il nodo Tipo. Ora si è pronti a visualizzare i dati.

torna all'inizio

Seguire questi passaggi per utilizzare un nodo grafico Tempo per visualizzare i dati:

1. Aggiungere un nodo grafico Tempo:
   1. Nella palette dei nodi, espandere la sezione Grafici.
   2. Trascinare il nodo grafico Tempo sull'area di disegno.
   3. Collegare il nodo Tipo al nuovo nodo Tempo.
2. Fare doppio clic sul nodo grafico Tempo per impostarne le proprietà.
3. 1. Nella sezione Serie, fare clic su Aggiungi colonne.
   2. Selezionare il campo uomini.
   3. Fare clic su OK.
   4. Selezionare Usa etichetta campo asse x personalizzata.
   5. Per il 'Etichetta asse X, selezionare 'data.
   6. Deselezionare l'opzione Normalizza.
   7. Fare clic su Salva.
4. Passare il mouse su '[men] v. date il nodo e fate clic sull'icona Esegui '.
5. Nel riquadro Output e modelli, fare clic 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.

Controllare i progressi

L'immagine seguente mostra un grafico. Ora si è pronti a 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. Prima, però, si esplora un modello semplice (senza trend e senza stagionalità) e poi un modello di Holt (che incorpora un trend 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.

Seguite questi passaggi per costruire un semplice modello di smoothing esponenziale:

1. Fare doppio clic sul nodo Uomini (serie temporali) per visualizzarne le proprietà.
2. Espandere la sezione Osservazioni e intervallo di tempo e impostare queste proprietà:
   1. Verificare che l'ora/data sia impostata sulla data.
   2. Verificare che l'intervallo di tempo sia impostato su Mesi.
3. Espandere la sezione Opzioni di costruzione - generale e impostare queste proprietà:
   1. Verificare che il metodo sia impostato su Smoothing esponenziale.
   2. Verificare che il Tipo di modello sia impostato su Semplice.
4. Fare clic su Salva.
5. Fare clic su Esegui tutto il '.
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 in effetti una tendenza graduale (e piuttosto ponderosa) all'aumento, non tiene conto della stagionalità. Questo modello può essere quindi scartato.

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

7. Fare doppio clic sul nodo Uomini (serie temporali) e impostare queste proprietà:
   1. Espandere la sezione Opzioni di costruzione - generale.
   2. Impostare il tipo di modello sul trend lineare di Holt.
   3. Fare clic su Salva.
8. Fare clic su Esegui tutto il '.
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 Uomini (serie temporali) e impostare queste proprietà:
    1. Espandere la sezione Opzioni di costruzione - generale.
    2. Impostare il tipo di modello su moltiplicativo di Winters.
    3. Fare clic su Salva.
11. Fare clic su Esegui tutto il '.
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 considerare l'utilizzo della procedura ARIMA.

    

Controllare i progressi

L'immagine seguente mostra il flusso. Ora siete pronti a 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 l'esempio dell'azienda di cataloghi che vuole 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 delle 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 esiste una differenza significativa nella capacità predittiva rispetto al modello di smoothing esponenziale senza predittori.

Con il metodo ARIMA, è possibile perfezionare il modello specificando gli ordini di autoregressione, differenziazione e media mobile, nonché le controparti stagionali di queste componenti. Determinare manualmente i valori migliori per queste componenti può essere un processo che richiede molto tempo e che comporta una buona dose di tentativi ed errori; pertanto, per questo esempio, si specifica che il modellatore esperto sceglierà un modello ARIMA per voi.

Successivamente, si costruisce un modello migliore trattando alcune delle altre variabili del 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).

Seguite questi passaggi per costruire un modello ARIMA:

1. Fare doppio clic sul nodo Tipo per impostarne le proprietà.
   1. Verificare che il ruolo dei campi Posta, Pagina, Telefono, Stampa e Assistenza sia impostato su Ingresso.
   2. Verificare che il ruolo per gli uomini sia impostato su Target.
   3. Impostare il ruolo per tutti i campi rimanenti su Nessuno.
   4. Fare clic su Salva.
2. Fare doppio clic sul nodo Uomini (serie temporali) e impostare queste proprietà:
   1. Espandere la sezione Opzioni di costruzione - generale.
   2. Impostare il Metodo su Modellatore esperto.
   3. Impostare il 'Tipo di modello su 'Solo modelli ARIMA.
   4. Selezionare l'opzione Modellatore esperto considera i modelli stagionali.

      

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

      

   3. Chiudere 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 da questo momento in poi i miglioramenti saranno probabilmente minimi. Avendo stabilito che il modello ARIMA con predittori è preferibile, utilizziamo questo modello per prevedere le vendite dell'anno successivo.

6. Chiudere la finestra del grafico.
7. Fare doppio clic sul nodo Uomini (serie temporali) e impostare queste proprietà:
   1. Espandere 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. Fare clic su Esegui tutto il '.
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 assiste a un ritorno ai normali livelli di vendita e a una costante tendenza al rialzo nella seconda metà dell'anno, con vendite in generale migliori di quelle dell'anno precedente.

Controllare i progressi

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

torna all'inizio