Tableau में मांग पूर्वानुमान और व्हाट-इफ़ विश्लेषण

संक्षिप्त उत्तर: किसी फ़ोरकास्ट को दिखाने और उसकी कठिन परीक्षा लेने में Tableau उत्कृष्ट है, लेकिन इसका अंतर्निहित मॉडल बुनियादी है — पहले मापें, फिर तय करें कि एक्सपोनेंशियल स्मूदिंग पर्याप्त है या आपको TabPy के माध्यम से असली ML की ज़रूरत है। एक मांग डैशबोर्ड तभी अपनी कीमत वसूल करता है जब कोई योजनाकार रुझान देख सके और तुरंत पूछ सके: «अगर हम प्रचार चलाएँ तो क्या होगा?»

इस डैशबोर्ड का एक विशिष्ट लेआउट: ऊपर मुख्य मेट्रिक, नीचे एक रुझान और एक विभाजन, और इसे काटने के लिए फ़िल्टर।

चार्ट से नहीं, माप से शुरू करें

कुछ भी बनाने से पहले, वह संख्या परिभाषित करें जिसके विरुद्ध व्यवसाय वास्तव में योजना बनाता है। अधिकांश ब्रुअरी के लिए वह प्रति SKU प्रति सप्ताह डिप्लीशन या शिप किए गए केस होते हैं, न कि ऑर्डर या राजस्व। डेटा स्रोत में ग्रेन सही रखें — प्रति SKU प्रति अवधि एक पंक्ति — और इसे Tableau Prep में साफ़ करें ताकि अंतराल, रिटर्न और इकाई परिवर्तन रुझान को दूषित न करें। कोई फ़ोरकास्ट उतना ही ईमानदार होता है जितनी उसमें फ़ीड होने वाली शृंखला। यदि आप ऐतिहासिक वास्तविक आँकड़ों को अपने वित्त के आँकड़ों से मिला नहीं सकते, तो रुकें और पहले उसे ठीक करें; गंदे डेटा पर एक सुथरा चार्ट बिना चार्ट के से भी बदतर है।

अंतर्निहित फ़ोरकास्ट, ईमानदारी से प्रयोग किया गया

Tableau का नेटिव फ़ोरकास्ट एक्सपोनेंशियल स्मूदिंग लागू करता है: यह आपके इतिहास से स्तर, रुझान और मौसमीपन सीखता है और उन्हें एक विश्वास बैंड के साथ आगे प्रक्षेपित करता है। अपने साप्ताहिक केस माप को व्यू पर रखें, निरंतर तिथि जोड़ें, और Analytics → Forecast चालू करें। यह तेज़ है, स्थिर पुनरावृत्ति-खरीद वॉल्यूम के लिए बचाव-योग्य है, और प्रेडिक्शन इंटरवल वह हिस्सा है जिसे आपको सबसे प्रमुखता से दिखाना चाहिए — यह योजनाकार को बताता है कि रेखा पर कितना भरोसा करें।

जो यह नहीं करता वह भी उतना ही मायने रखता है। यह कार्यकारण नहीं है। इसे पता नहीं कि आपने कीमत घटाई, तीन वितरण बिंदु जोड़े, या कि एक लू आने वाली है। यह बस मानता है कि हाल का अतीत जारी रहेगा। स्थिर मुख्य लाइनों के लिए यह अक्सर ठीक रहता है। किसी मौसमी या प्रचार-संचालित SKU के लिए, यह आत्मविश्वास के साथ चूकेगा। डैशबोर्ड पर ऐसा कहें — एक पंक्ति का कैप्शन («केवल रुझान + मौसमीपन; मूल्य और प्रचार शामिल नहीं») किसी योजना बैठक में बहुत सारे गलत भरोसे को रोक देता है।

पैरामीटर के साथ व्हाट-इफ़ जोड़ना

यहीं Tableau चमकता है। उन लीवरों के लिए पैरामीटर बनाएं जिन पर योजनाकार बहस करते हैं: एक प्रचार अपलिफ़्ट प्रतिशत, एक मूल्य सूचकांक, एक नए-वितरण गुणक। फिर एक कैलकुलेटेड फ़ील्ड बनाएं — [Forecast] * (1 + [Promo Uplift]) सबसे सरल संस्करण है — और उस समायोजित रेखा को बेस फ़ोरकास्ट के साथ रखें। पैरामीटर ऐक्शन स्थिर नियंत्रण को ऐसी चीज़ में बदल देते हैं जिसे योजनाकार बातचीत के दौरान खींच सकता है, परिदृश्य को वास्तविक समय में आकार बदलते देख सकता है। बेस्ट/लाइकली/वर्स्ट केस के लिए कुछ टॉगल जोड़ें और आपने स्प्रेडशीट ईमेल के दो हफ़्ते को पाँच मिनट के कार्य-सत्र से बदल दिया है। इन लीवरों के पीछे बैठने वाली गहन मॉडलिंग के लिए, देखें ब्रुअरी के लिए AI मांग पूर्वानुमान।

यह कहाँ टूटता है

तीन ईमानदार सीमाएँ। पहली, अंतर्निहित फ़ोरकास्ट छोटे या अनियमित इतिहास पर तेज़ी से बिगड़ता है — दो मौसमी चक्रों से कम पर यह अनुमान लगा रहा होता है। दूसरी, व्हाट-इफ़ पैरामीटर धारणाएँ हैं, साक्ष्य नहीं: 20% अपलिफ़्ट स्लाइडर उतना ही अच्छा है जितना 20% के पीछे का विवेक, और एक चमकदार इंटरैक्टिव व्यू किसी गढ़ी हुई संख्या को झूठा अधिकार दे सकता है। तीसरी, जब आपको सचमुच कार्यकारण ड्राइवर या प्रति-SKU सटीकता चाहिए हो जिसे आप होल्ड-आउट त्रुटि से मापते हैं, तो काम TabPy को सौंपें और Tableau को वह करने दें जिसमें वह सर्वश्रेष्ठ है — परिणाम प्रदर्शित करना और मनुष्यों को उससे सवाल करने देना। फिर Tableau Pulse लाइव मेट्रिक की निगरानी कर सकता है और रुझान भटकने पर एक सादी-भाषा वाला डाइजेस्ट भेज सकता है, लेकिन Pulse वर्णन करता है; निर्णय नहीं लेता। फ़ैसला अब भी योजनाकार के हाथ में है।

इतिहास (ठोस) और मॉडल का आगे का फ़ोरकास्ट (बिंदीदार); छायांकित बैंड इसकी अनिश्चितता है।

निचोड़

Tableau के फ़ोरकास्ट को उसी रूप में उपयोग करें जो वह है: रुझान और मौसमीपन का एक स्वच्छ, तेज़ प्रक्षेपण एक ईमानदार विश्वास बैंड के साथ, उन पैरामीटरों के साथ जोड़ा गया जो परिदृश्य योजना को एक स्प्रेडशीट काम के बजाय एक बातचीत बना देते हैं। स्पष्ट रहें कि यह कार्यकारण नहीं है और ML नहीं है। जब सटीकता या ड्राइवर मायने रखें, मॉडल को TabPy में ले जाएँ और Tableau को उस पर खिड़की के रूप में बनाए रखें। चार्ट सूचित करता है; मनुष्य प्रतिबद्ध होता है।

Sales Forecasting ट्रैक का हिस्सा। संबंधित: ब्रुअरी के लिए AI मांग पूर्वानुमान।

अक्सर पूछे जाने वाले प्रश्न

क्या Tableau का अंतर्निहित फ़ोरकास्ट एक मशीन लर्निंग मॉडल है? नहीं। यह एक्सपोनेंशियल स्मूदिंग का उपयोग करता है, जो एक क्लासिक समय-शृंखला विधि है और हाल के रुझान तथा मौसमीपन को आगे बढ़ाती है। यह कोई प्रशिक्षित, कार्यकारण ML मॉडल नहीं है और इसके पास मूल्य, मौसम या प्रचार का कोई दृष्टिकोण नहीं है।

Tableau फ़ोरकास्ट में व्हाट-इफ़ परिदृश्य कैसे जोड़ूँ? जिन लीवरों का परीक्षण करना चाहते हैं उनके लिए पैरामीटर उपयोग करें — अपलिफ़्ट प्रतिशत, मूल्य परिवर्तन, वितरण बिंदु — फिर उन्हें कैलकुलेटेड फ़ील्ड के भीतर संदर्भित करें। पैरामीटर ऐक्शन उपयोगकर्ताओं को परिदृश्य लाइव बदलने के लिए खींचने या क्लिक करने देते हैं।

फ़ोरकास्टिंग को Tableau से हटाकर TabPy में कब ले जाना चाहिए? जब आपको कार्यकारण ड्राइवर चाहिए हों, कई SKU एक साथ फ़ोरकास्ट करने हों, या ऐसा मॉडल चाहिए हो जिसे आप होल्ड-आउट त्रुटि से सत्यापित कर सकें। TabPy Python (Prophet, statsmodels, scikit-learn) चलाता है और परिणाम Tableau को प्रदर्शन के लिए लौटाता है।