{"id":34069,"date":"2024-01-22T09:58:51","date_gmt":"2024-01-22T08:58:51","guid":{"rendered":"https:\/\/www.altkomsoftware.com\/?p=34069"},"modified":"2025-04-01T10:53:16","modified_gmt":"2025-04-01T08:53:16","slug":"prognozowanie-danych-w-power-bi","status":"publish","type":"post","link":"https:\/\/stg.altkomsoftware.com\/pl\/blog\/prognozowanie-danych-w-power-bi\/","title":{"rendered":"Prognozowanie danych w Power BI. Skuteczna analiza i predykcje biznesowe"},"content":{"rendered":"\n
\"Prognozowanie<\/figure>\n\n\n\n

Czym jest prognozowanie danych w Power BI i jakie korzy\u015bci biznesowe mo\u017ce przynie\u015b\u0107?<\/h2>\n\n\n\n
\"Us\u0142ugi<\/figure>\n\n\n\n

Prognozowanie danych to proces wykorzystywania zbior\u00f3w historycznych w celu przewidywania przysz\u0142ych zdarze\u0144, trend\u00f3w oraz wynik\u00f3w<\/strong>. Technika stosowana w statystyce, analizie danych i dziedzinach zwi\u0105zanych z uczeniem maszynowym. Celem prognozowania jest zrozumienie wzorc\u00f3w oraz tendencji ukrytych w dost\u0119pnych zestawach danych, a nast\u0119pnie u\u017cywanie tych informacji do przewidywania, jakie b\u0119d\u0105 przysz\u0142e warto\u015bci.\u00a0<\/p>\n\n\n\n

Optymalizacja koszt\u00f3w i zasob\u00f3w<\/h3>\n\n\n\n

Organizacje, w celu zwi\u0119kszenia swojej konkurencyjno\u015bci, powinny analizowa\u0107 trendy na wielu p\u0142aszczyznach. Dzi\u0119ki prognozom danych firmy mog\u0105 efektywniej zarz\u0105dza\u0107 zasobami<\/strong>, takimi jak surowce, personel czy kapita\u0142.<\/p>\n\n\n\n

Trafna predykcja pozwala na dobre dostosowanie poziomu aktyw\u00f3w do przewidywanej dzia\u0142alno\u015bci biznesowej, co przek\u0142ada si\u0119 na optymalizacj\u0119 koszt\u00f3w<\/strong>. Podobny efekt mo\u017cna uzyska\u0107 w obszarze logistyki i zarz\u0105dzania zapasami. Firmy mog\u0105 dostosowywa\u0107 swoje operacje do przewidywanej aktywno\u015bci.<\/p>\n\n\n\n

Dzia\u0142ania marketingowe<\/h3>\n\n\n\n

Analiza danych historycznych i prognozowanie przysz\u0142ych trend\u00f3w konsumenckich prowadz\u0105 do skuteczniejszego planowania i wdra\u017cania dzia\u0142a\u0144 marketingowych<\/strong>. Firma mo\u017ce dostosowywa\u0107 swoje strategie do oczekiwa\u0144 rynku, personalizowa\u0107 ofert\u0119 i lepiej segmentowa\u0107 grupy docelowe.<\/p>\n\n\n\n

Identyfikacja ryzyka<\/h3>\n\n\n\n

Co wi\u0119cej, prognozowanie danych pomaga firmom identyfikowa\u0107 potencjalne ryzyka<\/strong> oraz szybko reagowa\u0107 na zmieniaj\u0105ce si\u0119 warunki rynkowe. W ten spos\u00f3b organizacja mo\u017ce minimalizowa\u0107 negatywne skutki nieprzewidywalnych czynnik\u00f3w zewn\u0119trznych.<\/p>\n\n\n\n

Wsparcie sprzeda\u017cy<\/h3>\n\n\n\n

Wreszcie prognozowanie danych sprzeda\u017cowych<\/strong> umo\u017cliwia strategiczne podej\u015bcie do zarz\u0105dzania zasobami, planowania dzia\u0142a\u0144 reklamowych oraz optymalizacji proces\u00f3w. Przewidywanie przysz\u0142ych wynik\u00f3w sprzeda\u017cowych pozwala firmie na lepsze zrozumienie rynku, dostosowanie si\u0119 do zmieniaj\u0105cych si\u0119 trend\u00f3w i skuteczniejsze podejmowanie decyzji.  <\/p>\n\n\n\n

Jak wida\u0107, modelowanie przysz\u0142ych warto\u015bci jest istotne dla sukcesu Twojej organizacji.<\/p>\n\n\n\n

Warto zatem wesprze\u0107 ten proces poprzez wprowadzanie nowoczesnych technologii, takich jak cho\u0107by Microsoft Power BI (wykorzystuj\u0105c przy tym nie tylko mo\u017cliwo\u015bci analityczne narz\u0119dzia klasy business intelligence<\/em>, ale r\u00f3wnie\u017c te z obszaru sztucznej inteligencji i uczenia maszynowego).<\/p>\n\n\n\n

Wbudowane algorytmy do predykcji danych w Power BI<\/h2>\n\n\n\n

Power BI to nie tylko narz\u0119dzie do raport\u00f3w generowanych w czasie rzeczywistym. To r\u00f3wnie\u017c kompleksowy system, kt\u00f3ry pozwala w pe\u0142ni wykorzysta\u0107 potencja\u0142 danych w biznesie, przynosz\u0105c nowe perspektywy i zwi\u0119kszaj\u0105c efektywno\u015b\u0107 decyzyjn\u0105.<\/p>\n\n\n\n

Jego wszechstronno\u015b\u0107 sprawia, \u017ce wyr\u00f3\u017cnia si\u0119 spo\u015br\u00f3d innych rozwi\u0105za\u0144 business intelligence.<\/em>\u00a0<\/p>\n\n\n\n

Oferuje nie tylko zaawansowane funkcje analityczne, ale r\u00f3wnie\u017c mo\u017cliwo\u015bci estymacji przysz\u0142ych wynik\u00f3w: od klasycznej predykcji szereg\u00f3w czasowych, po narz\u0119dzia klasy AI b\u0119d\u0105ce w stanie prognozowa\u0107 warto\u015bci nie tylko zmiennych ilo\u015bciowych, ale i jako\u015bciowych (opisowych). Poni\u017cej, poprzez zaprezentowanie kilku przyk\u0142ad\u00f3w z wykonanej analizy sprzeda\u017cowej, przedstawiony zostanie potencja\u0142 narz\u0119dzia Power BI w tym zakresie.\u00a0<\/p>\n\n\n\n

Power BI. Prognozowanie szereg\u00f3w czasowych<\/h2>\n\n\n\n

W Power BI przewidywanie szereg\u00f3w czasowych oparte jest o metod\u0119 wyg\u0142adzania wyk\u0142adniczego (ang. exponential smoothing). Jest to spos\u00f3b przetwarzania szereg\u00f3w czasowych, kt\u00f3ry zmniejsza jego wariancj\u0119 poprzez u\u017cycie wa\u017conej \u015bredniej ruchomej z wcze\u015bniejszych warto\u015bci, gdzie wagi malej\u0105 wyk\u0142adniczo wraz z odleg\u0142o\u015bci\u0105 czasow\u0105.<\/p>\n\n\n\n

Innymi s\u0142owy, wyg\u0142adzanie wyk\u0142adnicze opiera si\u0119 na \u015bredniej wa\u017conej poprzednich obserwacji, przy czym wi\u0119ksz\u0105 wag\u0119 przypisuje si\u0119 nowszym obserwacjom \u2014 wagi malej\u0105 wyk\u0142adniczo w miar\u0119 starzenia si\u0119 obserwacji.<\/p>\n\n\n\n

Opiera si\u0119 to na koncepcji, \u017ce ostatnie obserwacje dostarczaj\u0105 wi\u0119cej informacji na temat przysz\u0142ych zachowa\u0144 ni\u017c te bardziej odleg\u0142e. Wyg\u0142adzanie wyk\u0142adnicze sprawdza si\u0119 do skutecznego usuwania szum\u00f3w z modelu, dobrej rejestracji trend\u00f3w i wizualizacji r\u00f3\u017cnorodnych danych.<\/p>\n\n\n\n

Poni\u017cszy rysunek przedstawia og\u00f3ln\u0105 koncepcj\u0119 wyg\u0142adzania wyk\u0142adniczego:<\/p>\n\n\n\n

\"Prognozowanie<\/figure>\n\n\n\n

W zale\u017cno\u015bci od tego, czy w zbiorze danych (na kt\u00f3rym b\u0119dziemy wykonywa\u0107 proces prognozowania), zachodz\u0105 cykliczne i regularne zmiany, czy te\u017c s\u0105 to dane pozbawione sezonowo\u015bci, Power BI dobiera automatycznie jedn\u0105 z dw\u00f3ch wersji exponential smoothing<\/em>. Dla danych sezonowych jest to ETS AAA<\/strong> (ang. exponential smoothning with additive error, additive trend and additve seasonality<\/em>), a dla niesezonowych ETS AAN <\/strong>(ang. exponential smoothning with additive error, additive trend, and non-additve seasonality)<\/em>.\u00a0<\/p>\n\n\n\n

Algorytm sezonowy ETS AAA<\/h3>\n\n\n\n

Algorytm sezonowy ETS AAA<\/strong> modeluje szeregi czasowe poprzez r\u00f3wnanie uwzgl\u0119dniaj\u0105ce sezonowo\u015b\u0107.<\/p>\n\n\n\n

Ten algorytm, powszechnie znany jako algorytm Holta-Wintersa, w Power BI zosta\u0142 wzbogacony o zastosowanie procesu walidacji w celu optymalnego wyboru parametr\u00f3w oraz dostosowanie wektora stanu po zako\u0144czeniu okna treningowego w przypadku wyst\u0105pienia zak\u0142\u00f3ce\u0144 w danych.\u00a0\u00a0<\/p>\n\n\n\n

Metoda Holta-Wintersa tradycyjnie dobiera optymalne parametry wyg\u0142adzania, minimalizuj\u0105c b\u0142\u0119dy prognoz w oknie treningowym.<\/p>\n\n\n\n

Skupia si\u0119 jednak g\u0142\u00f3wnie na prognozach kr\u00f3tkoterminowych, co mo\u017ce prowadzi\u0107 do niedok\u0142adno\u015bci przy d\u0142ugoterminowych estymacjach.<\/p>\n\n\n\n

W celu poprawy dok\u0142adno\u015bci analiz d\u0142ugofalowych w Power BI wprowadzono okno walidacyjne, uwzgl\u0119dniaj\u0105ce kilka ostatnich punkt\u00f3w okna treningowego.<\/p>\n\n\n\n

W tym kontek\u015bcie, zamiast dostosowywa\u0107 stan na ka\u017cdym kroku, oblicza si\u0119 sum\u0119 kwadrat\u00f3w b\u0142\u0119d\u00f3w prognoz dla ca\u0142ego okna, co pozwala z\u0142agodzi\u0107 zmienno\u015b\u0107 i zachowa\u0107 trend w d\u0142u\u017cszym horyzoncie czasowym.\u00a0<\/p>\n\n\n\n

W algorytmie ETS AAA wektor stanu obliczany jest w ca\u0142ym okresie treningowym, ale przy wysokich parametrach wyg\u0142adzania model staje si\u0119 podatny na warto\u015bci odstaj\u0105ce, zw\u0142aszcza w p\u00f3\u017aniejszej fazie.<\/p>\n\n\n\n

To mo\u017ce wprowadzi\u0107 nietypowe wzorce prognoz, przyci\u0105gaj\u0105c dopasowanie treningowe w stron\u0119 odst\u0119pstw. Aby temu zapobiec, w Power BI algorytm monitoruje zmiany w stanie treningowym. W przypadku istotnych odchyle\u0144 dostosowuje trend w oknie czasowym, dopasowuj\u0105c go do og\u00f3lnego trendu szeregu czasowego i koryguj\u0105c prognozowane warto\u015bci.\u00a0<\/p>\n\n\n\n

Algorytm AAN<\/h3>\n\n\n\n

Drugi z algorytm\u00f3w, czyli ETS AAN <\/strong>nie uwzgl\u0119dnia sezonowo\u015bci. Co za tym idzie, stosuje bardziej podstawowe r\u00f3wnanie do analizy szereg\u00f3w czasowych, kt\u00f3re dodaje tylko sk\u0142adnik trendu oraz sk\u0142adnik b\u0142\u0119du. Przyjmujemy za\u0142o\u017cenie, \u017ce warto\u015bci danych rosn\u0105 lub malej\u0105 w spos\u00f3b, kt\u00f3ry mo\u017cna opisa\u0107 matematycznym wzorem, jednak ten wzrost lub spadek nie przebiega cyklicznie.<\/p>\n\n\n\n

Implementacja modelu prognostycznego w Power BI<\/h2>\n\n\n\n

\u00a0Tworzenie prognoz szereg\u00f3w czasowych w Power BI jest jak sk\u0142adanie puzzli biznesowych. Na pocz\u0105tek u\u017cytkownik musi wybra\u0107 odpowiedni rodzaj puzzli, gdzie za przyk\u0142ad pos\u0142u\u017cy nam wykres liniowy<\/strong>. Nast\u0119pnie nale\u017cy dobra\u0107 poszczeg\u00f3lne elementy \u2014 wymiar czasu i historyczne dane, np. sprzeda\u017cowe. Gdy istnieje ju\u017c baza, dodajemy element kluczowy: prognoz\u0119.<\/p>\n\n\n\n

W tym celu musimy zdefiniowa\u0107 nast\u0119puj\u0105ce parametry:<\/strong><\/p>\n\n\n\n