Strategy ONE

Análisis de previsión de serie temporal

El análisis de previsión de serie temporal es compatible con los entornos de MicroStrategy Cloud y, a partir de MicroStrategy ONE (marzo de 2024), el análisis de previsión de serie temporal es compatible con la plataforma MicroStrategy Cloud para la Administración Pública. Solo puede utilizar esta función en MicroStrategy Library (solo navegador web) y Workstation cuando se conecta a un servidor de Library.

Iniciar sesión en MicroStrategy ONE (junio de 2024), en Respuestas automáticas, los usuarios pueden pronosticar varios elementos de un atributo, como predecir los totales de venta de distintos empleados

MicroStrategy ONE La actualización 11 presenta la previsión de series temporales. La previsión de series temporales es una técnica eficaz que permite a las empresas predecir tendencias y resultados futuros en función de patrones de datos históricos. Básicamente, implica el análisis de puntos de datos recopilados durante intervalos de tiempo sucesivos para identificar patrones, tendencias y fluctuaciones subyacentes. Este enfoque predictivo es especialmente valioso para anticipar cambios futuros y tomar decisiones fundamentadas. Al aprovechar el poder de los algoritmos avanzados de aprendizaje automático, la previsión de series temporales de MicroStrategy proporciona a los usuarios una forma fluida e intuitiva de descubrir la información detallada oculta entre sus datos. Tanto si es analista de negocio, director de marketing o ejecutivo financiero, esta capacidad le ofrece una puerta de entrada para elaborar estrategias de forma proactiva, asignar recursos de forma eficaz y aprovechar las oportunidades. La integración del análisis de previsión ahorra un tiempo y esfuerzo valiosos a los usuarios que antes confiaban en el tratamiento manual de datos y en métodos analíticos complejos para predecir los resultados futuros.

Usar respuestas automáticas para la previsión

Para aprovechar el poder de la información detallada predictiva en las respuestas automáticas, introduzca la pregunta de previsión en lenguaje natural. Por ejemplo, "¿Cuáles son las ventas previstas para el próximo trimestre?" Las respuestas automáticas le proporcionan previsiones precisas basadas en su consulta, su profundo conocimiento de los objetos del conjunto de datos y algoritmos avanzados de aprendizaje automático. Para incluir el análisis División, puede preguntar "¿Cuál es la previsión de ingresos de los datos desglosados por categoría?".

La respuesta de las respuestas automáticas consiste en una descripción clara en lenguaje natural de los datos previstos, acompañada de una visualización en gráfico de líneas de previsión, que facilita la comprensión de lo que sucede más adelante. Aunque la visualización puede contener un número limitado de puntos de datos cuando se representa en el espacio reducido del panel de chat, al expandir la respuesta de la selección dinámica se muestra el conjunto completo de puntos de datos existentes y previstos.

Aquí le mostramos cómo profundizar en las predicciones con las respuestas automáticas y los bots. Los siguientes ejemplos se presentan en modo expandido:

  • Predicción de los próximos meses Comience con un conjunto de datos de ventas mensuales determinado. Puede pedir a las respuestas automáticas que pronostiquen las ventas de los próximos meses. El algoritmo maneja la tarea con destreza, incluso si está solicitando predicciones para un año completo basadas en datos mensuales.

  • Prever a un nivel superior frente a datos de nivel inferior Comience con un conjunto de datos de ventas mensuales determinado. Puede pedir a las respuestas automáticas que pronostiquen las ventas del próximo año en función de los datos mensuales.

  • Ajuste de hiperparámetros Para aquellos que quieren más control, hay una opción avanzada. Puede ajustar los valores de los hiperparámetros dentro de la pregunta. Por ejemplo, si la estacionalidad detectada automáticamente no produce resultados óptimos, puede especificar la duración de la estacionalidad que desee o establecer un nivel de confianza concreto. Esta flexibilidad se extiende al uso de diferentes modelos de temporada y tendencias, como alternar entre los modelos multiplicativo y aditivo.

  • Aplicando filtros Las predicciones también se pueden filtrar. El ejemplo siguiente muestra la previsión para los próximos tres meses teniendo en cuenta una categoría específica como música. Tenga en cuenta que el atributo de mes se representa como un número entero, no como un valor con base en el tiempo.

  • División: Puede obtener información predictiva sobre múltiples elementos de datos mediante preguntas como "¿Cuál es la previsión de ingresos para el [fecha] para cada categoría de producto?".