Visión de futuro con la función timeseries de SAQL

Usted sabe que las cifras del trimestre o del año que viene no serán las mismas que las de hoy; sin embargo, ¿tiene alguna idea de cuáles serán sus tendencias? La realidad es que usted necesita planificar el personal, la capacitación y las compras hoy. Con la función timeseries de SAQL, puede utilizar los datos que tiene hoy para predecir las cifras que tendrá en el futuro.

Dónde: Esta función está disponible en Einstein Analytics en Lightning Experience y Salesforce Classic. Einstein Analytics está disponible en Developer Edition y, por un costo adicional, en Enterprise Edition, Performance Edition y Unlimited Edition.

Quién: Para utilizar SAQL, debe tener una licencia de la plataforma de Analytics.

Por qué: La función timeseries de SAQL genera predicciones lo más exactas posibles en función de los datos existentes. Esta función realiza cálculos a partir de las cifras y selecciona el mejor algoritmo para los datos que usted tiene. Pero... ¿y si sus datos cambian durante las estaciones? No hay ningún problema. La función timeseries puede gestionar tanto datos estacionales como no estacionales. ¿Quiere ensuciarse las manos y ponerse a ajustar parámetros? Puede especificar el algoritmo que quiera, el tipo de estacionalidad y si se debe ignorar el periodo actual. ¿Lo que le preocupa es la precisión? Especifique un intervalo de confianza del 95% para estar seguro de que los datos futuros entren dentro del rango de la predicción.

Cómo: Para utilizar la función timeseries, abra su editor de SAQL en el tablero. Utilice foreach para proyectar los datos que desea analizar y, a continuación, utilice la función timeseries para crear la predicción de la medición que eligió.

Veamos un ejemplo. Supongamos que gestiona una cadena nacional de cafeterías. Usted sabe que las ventas de determinados productos, como, por ejemplo, las bebidas frías, aumentan en verano. Las ventas de otros productos, como, por ejemplo, el café, no se ven afectadas por las estaciones. ¿Qué volumen de cada tipo de bebida venderá el año que viene?

Supongamos que sus datos contienen los campos Número de bebidas, Tipo y Fecha de venta. Puede utilizar la función timeseries para predecir el número de cada una de estas bebidas que probablemente venderá el año que viene.
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 ;

Veamos la función timeseries con un poco más de detalle.

  • partition='Type'

    La partición por tipo permite ver las diferencias entre bebidas calientes, bebidas frías y cafés.

  • seasonality= 12

    Ajuste la estacionalidad con el valor 12 para indicar que la estacionalidad es anual. Puesto que dateCols agrupa los datos por meses y hay 12 meses en el año, seasonality=12 especifica que la estacionalidad es anual. Este paso es opcional, ya que el algoritmo puede detectar el tipo de estacionalidad mas preciso, aunque, en este caso, confiamos en que la estacionalidad de sus datos es anual.

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

    Los datos se agrupan por año y mes.

Esta es el resultado de la predicción.

Menú desplegable de navegación de la aplicación abierto junto al título del tablero.

Vaya, parece que las ventas de café y bebidas frías del año que viene serán mejores que nunca. Esto le permite prepararse en términos de contrataciones, compras y capacitaciones para maximizar los resultados.