Cinq méthodes de prédiction sont disponibles pour vous aider à établir des prévisions en fonction des caractéristiques de vos données et de vos objectifs de prévision. La bonne méthode dépend des tendances présentes dans vos données historiques, telles que les tendances, la croissance, les fluctuations à court terme ou la saisonnalité.
Méthodes de prédiction disponibles
Trend Tracker
Idéal pour : les données présentant une tendance constante.
Trend Tracker est conçu pour les données qui suivent une direction relativement stable, à la hausse ou à la baisse, dans le temps. Utilisez-le lorsque vos données historiques présentent une tendance claire et constante, sans changements significatifs dans le taux de croissance.
Exemple : Utilisez Trend Tracker pour prévoir des ventes qui ont augmenté à un rythme relativement constant sur plusieurs périodes.
Growth Accelerator
Idéal pour : les données présentant un taux de croissance en augmentation.
Growth Accelerator convient lorsque vos données non seulement augmentent, mais que leur taux de croissance augmente également dans le temps. Il permet de capturer les schémas de croissance accélérée dans vos données historiques.
Exemple : Utilisez Growth Accelerator lorsque vos ventes mensuelles augmentent plus rapidement chaque trimestre.
Smooth Forecaster
Idéal pour : les données présentant des fluctuations à court terme.
Smooth Forecaster aide à réduire l'impact des fluctuations à court terme dans vos données afin de faciliter l'identification de la tendance sous-jacente.
Utilisez-le lorsque vos données présentent des hauts et des bas temporaires qui ne reflètent pas nécessairement la direction à long terme de votre activité.
Exemple : Utilisez Smooth Forecaster lorsque les ventes mensuelles fluctuent de manière significative tout en suivant une tendance globale relativement stable.
Season Sense
Idéal pour : les données présentant des schémas saisonniers récurrents.
Season Sense est conçu pour les données qui suivent des schémas prévisibles se répétant dans le temps.
Utilisez-le lorsque votre activité connaît des variations régulières au cours de mois, trimestres ou autres périodes spécifiques.
Exemple : Une entreprise de commerce électronique peut utiliser Season Sense lorsque les ventes augmentent systématiquement pendant la période des fêtes et diminuent ensuite.
Smart Predictor
Idéal pour : les séries temporelles complexes.
Smart Predictor est une méthode avancée conçue pour gérer des schémas plus complexes dans les données de séries temporelles.
Utilisez-le lorsque vos données contiennent plusieurs schémas ou lorsqu'il est difficile d'identifier une tendance, un schéma de croissance ou un schéma saisonnier clairement définis.
Exemple : utilisez Smart Predictor lorsque vos données historiques combinent des tendances changeantes, des fluctuations et d'autres schémas complexes.
Comment choisir une méthode
Utilisez les caractéristiques de vos données historiques comme point de départ :
Si vos données... | Envisagez |
|---|---|
Suivent une tendance à la hausse ou à la baisse constante | Trend Tracker |
Présentent un taux de croissance en augmentation | Growth Accelerator |
Présentent des fluctuations fréquentes à court terme | Smooth Forecaster |
Montrent des schémas saisonniers récurrents | Season Sense |
Contiennent des schémas de séries temporelles complexes ou multiples | Smart Predictor |
Ces recommandations constituent un point de départ plutôt que des règles strictes. La méthode la plus appropriée peut varier en fonction de votre jeu de données et de votre objectif de prévision.
Conseils et bonnes pratiques
- Examinez d'abord vos données historiques. Recherchez des tendances claires, des schémas de croissance, des fluctuations ou une saisonnalité.
- Faites correspondre la méthode à vos données. Choisissez la méthode qui reflète le mieux le schéma que vous souhaitez analyser.
- Ne présumez pas que la méthode la plus avancée est toujours la meilleure. Une méthode plus simple peut être plus appropriée lorsque vos données présentent un schéma clair et constant.
- Révisez votre méthode lorsque vos données changent. Une méthode qui fonctionne bien pour un jeu de données peut ne plus être la mieux adaptée à mesure que vos schémas d'activité évoluent.
Astuce : commencez par la méthode qui correspond le mieux au schéma le plus visible dans vos données.