Analisando o futuro com a função timeseries SAQL

Você sabe que os números do próximo trimestre e do próximo ano não serão iguais aos de hoje, mas como eles serão? Você precisa planejar sua equipe, treinamento e compras hoje. Com a função SAQL timeseries, você pode usar os dados que tem hoje para prever seus números no futuro.

Onde: Esse recurso está disponível no Einstein Analytics no Lightning Experience e no Salesforce Classic. O Einstein Analytics está disponível na Developer Edition e, por um custo extra, nas edições Enterprise, Performance e Unlimited.

Quem: Para usar SAQL, você deve ter uma licença da Plataforma Analytics.

Por quê: A função timeseries SAQL faz as previsões mais precisas possível com base nos seus dados existentes. Ela analisa os números e seleciona o melhor algoritmo para os dados que você tem. O que acontece se os dados mudaram com as estações? Sem problema. A função timeseries lida com dados sazonais e não sazonais. Quer colocar a mão na massa e ajustar os parâmetros? Você pode especificar sua escolha de algoritmo, o tipo de sazonalidade e se deseja ignorar o período atual. Preocupado com a precisão? Especifique um intervalo de confiança de 95% para garantir que seus dados futuros fiquem dentro do intervalo previsto.

Como: Para usar timeseries, abra seu editor SAQL no painel. Use foreach para projetar os dados que você deseja analisar, então use timeseries para fazer a previsão para a sua medida escolhida.

Vamos analisar um exemplo. Suponha que você gerencie uma rede nacional de cafés. Você sabe que as vendas de alguns produtos, como bebidas geladas, atingem o pico no verão. A venda de outros produtos, como doses extras, não é afetada pela estação. Quanto de cada tipo de bebida você venderá no próximo ano?

Digamos que seus dados contenham os campos Números de bebidas, Tipo e Data de venda. Você poderia usar timeseries para prever o número de cada tipo de bebida que você provavelmente venderá no próximo ano.
q = load "coffeeDatabase";
q = filter q by Date_Sold_Year' > "2014";
q = group q by ('Date_Sold_Year', 'Date_Sold_Month', 'Type');
q = foreach q generate 'Date_Sold_Year', 'Date_Sold_Month', 'Type', sum('Number_of_Drinks') as 'sum_Number_of_Drinks';
q = timeseries q generate 'sum_Number_of_Drinks' as fsum_Number_of_Drinks with (partition='Type',length=12, dateCols=('Date_Sold_Year','Date_Sold_Month', "Y-M"), seasonality= 12);
q = foreach q generate 'Date_Sold_Year' + "~~~" + 'Date_Sold_Month' as 'Date_Sold_Year~~~Date_Sold_Month','Type',fsum_Number_of_Drinks ;

Vamos analisar nossa função timeseries em um pouco mais de detalhes.

  • partition='Type'

    Particione por tipo para ver a diferença entre bebidas quentes, bebidas geladas e doses extras.

  • seasonality= 12

    Defina a sazonalidade como 12 para especificar a sazonalidade anual. Uma vez que dateCols é agrupado por mês e há 12 meses em um ano, seasonality=12 especifica a sazonalidade anual. Essa etapa é opcional porque o algoritmo pode detectar o tipo mais preciso de sazonalidade, mas estamos seguros de que nossos dados tenham sazonalidade anual.

  • dateCols=('DateSold_Year','DateSold_Month', "Y-M")

    Agrupe os dados por ano e mês.

Aqui está a previsão resultante.

Menu de navegação suspenso do aplicativo aberto ao lado do título do painel

Uau, parece que as vendas de café quente e bebidas geladas terão o melhor ano da história! Assim você pode expandir as contratações, compras e treinamento e maximizar seus resultados.