Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Utilisation des prévisions dans R pour une prise de décision basée sur les données
Ce cours propose une introduction à la prévision de séries chronologiques à l'aide de R.La prévision consiste à faire des prédictions sur l'avenir. Cela est nécessaire dans de nombreuses situations, par exemple pour décider de la construction d'une nouvelle centrale électrique au cours des dix prochaines années ou pour planifier les horaires du personnel d'un centre d'appels pour la semaine suivante.
Les prévisions peuvent être nécessaires plusieurs années à l'avance (dans le cas d'investissements en capital) ou seulement quelques minutes à l'avance (pour le routage des télécommunications). Quelles que soient les circonstances ou les horizons temporels concernés, des prévisions fiables sont essentielles pour une prise de décision éclairée fondée sur des données.
Élaborez des modèles de prévision précis grâce à ARIMA et au lissage exponentiel
Vous commencerez ce cours en créant des objets de séries chronologiques dans R afin de créer des graphiques pour représenter vos données et de découvrir les tendances, la saisonnalité et les cycles répétitifs. Vous découvrirez le concept de bruit blanc et apprendrez comment réaliser un test de Ljung-Box pour confirmer le caractère aléatoire avant de passer au chapitre suivant, qui détaille les méthodes de benchmarking et la précision des prévisions.Il est essentiel de pouvoir tester et mesurer la précision de vos prévisions afin de développer des modèles exploitables. Ce cours passe en revue diverses méthodes avant d'aborder le lissage exponentiel et les modèles ARIMA, qui sont deux des approches les plus couramment utilisées pour la prévision des séries chronologiques.
Avant de terminer le cours, vous apprendrez à utiliser des modèles ARIMA avancés afin d'y inclure des informations supplémentaires, telles que les jours fériés et l'activité des concurrents.
Prérequis
Programme de formation
Plan du cours
1
Explorer et visualiser des séries temporelles avec R
La première étape de toute analyse de données consiste à tracer les données. Les graphiques permettent de visualiser de nombreuses caractéristiques : structures récurrentes, valeurs inhabituelles et évolutions dans le temps. Les éléments mis en évidence dans les graphiques doivent ensuite être intégrés, autant que possible, aux méthodes de prévision retenues.
- Bienvenue dans la prévision avec R50 XP
- Créer des objets de séries temporelles dans R100 XP
- Graphiques de séries temporelles100 XP
- Graphiques saisonniers100 XP
- Tendance, saisonnalité et cyclicité50 XP
- Autocorrélation d’une série temporelle non saisonnière100 XP
- Autocorrélation des séries temporelles saisonnières et cycliques100 XP
- Faire correspondre l’ACF à la série temporelle50 XP
- Bruit blanc50 XP
- Cours des actions et bruit blanc100 XP
2
Méthodes de référence et précision des prévisions
Dans ce chapitre, vous allez découvrir des outils généraux utiles dans de nombreuses situations de prévision. Nous décrirons des méthodes de prévision de référence, des méthodes pour vérifier si une méthode de prévision exploite correctement l’information disponible, ainsi que des méthodes pour mesurer la précision des prévisions. Chacun des outils présentés ici sera réutilisé dans les chapitres suivants, au fur et à mesure que vous développerez et explorerez un éventail de méthodes de prévision.
3
Lissage exponentiel
Les prévisions issues des méthodes de lissage exponentiel sont des moyennes pondérées des observations passées, avec des poids qui décroissent de façon exponentielle à mesure que les observations vieillissent. Autrement dit, plus l’observation est récente, plus le poids associé est élevé. Ce cadre permet de produire rapidement des prévisions fiables pour un large éventail de séries temporelles, ce qui constitue un avantage décisif et d’une grande importance pour les applications en entreprise.
4
Prévision avec des modèles ARIMA
Les modèles ARIMA offrent une autre approche de la prévision de séries temporelles. Le lissage exponentiel et les modèles ARIMA sont les deux approches les plus utilisées et se complètent. Alors que les modèles de lissage exponentiel décrivent la tendance et la saisonnalité des données, les modèles ARIMA visent à modéliser les autocorrélations présentes dans les données.
5
Méthodes avancées
Les modèles de séries temporelles présentés dans les chapitres précédents fonctionnent bien pour de nombreuses séries, mais ils sont souvent moins adaptés aux données hebdomadaires ou horaires, et ils ne permettent pas d’inclure d’autres informations comme les effets des jours fériés, l’activité des concurrents, des changements législatifs, etc. Dans ce chapitre, vous verrez des méthodes capables de gérer des saisonnalités plus complexes, et vous examinerez comment étendre les modèles ARIMA afin d’y intégrer d’autres informations.
R
Prévision en R
Cours
terminé
