Kurzzusammenfassung: Die prädiktive Analytik in Tableau nutzt integrierte Funktionen wie MODEL_PERCENTILE und MODEL_QUANTILE, um zukünftige Ergebnisse mithilfe linearer Regressionsmodelle vorherzusagen. Tableau Cloud, Desktop, Public und Server unterstützen die native prädiktive Modellierung ohne externe Integrationen und bieten zusätzlich die Einstein Discovery-Integration für fortgeschrittene Szenarien. Unternehmen können Ausreißer identifizieren, fehlende Werte schätzen und zukünftige Zeiträume direkt in ihren Visualisierungen vorhersagen.
Predictive Analytics wandelt historische Daten in umsetzbare Prognosen um. Tableau hat sich über die reine Visualisierung hinaus entwickelt – es ist heute ein leistungsstarkes Tool für prädiktive Analysen, mit dem Analysten statistische Modelle erstellen können, ohne ihre Dashboards zu verlassen.
Die Plattform nutzt lineare Regression, um in den Daten verborgene Muster und Zusammenhänge aufzudecken. Zwei zentrale Tabellenberechnungen ermöglichen diese Funktionalität.
Die prädiktiven Modellierungsfunktionen von Tableau verstehen
Tableau bietet in Tableau Cloud, Tableau Desktop, Tableau Public und Tableau Server integrierte Funktionen für prädiktive Modellierung. Das System basiert auf drei Hauptfunktionen, die unterschiedliche Prognoseaufgaben übernehmen.
MODEL_PERCENTILE gibt die Wahrscheinlichkeit (zwischen 0 und 1) zurück, dass der Erwartungswert kleiner oder gleich dem beobachteten Wert ist. Diese Funktion berechnet die a posteriori-Verteilungsfunktion und zeigt somit an, wo Ihr Datenpunkt innerhalb des vorhergesagten Bereichs liegt.
Die Funktion MODEL_QUANTILE funktioniert umgekehrt. Sie gibt den numerischen Zielwert an einem bestimmten Quantil innerhalb des wahrscheinlichen Bereichs zurück. Wenn Sie konkrete Zahlen anstelle von Wahrscheinlichkeiten benötigen, ist diese Funktion genau das Richtige.
MODEL_EXPECTATION gibt den erwarteten numerischen Wert (den Mittelwert der zugrunde liegenden Verteilung) für den Zielausdruck basierend auf den Prädiktoren zurück.
| Funktion | Rücksendungen | Am besten geeignet für |
| MODELL_PERZENTIL | Wahrscheinlichkeit (0-1) | Ausreißer identifizieren, Anomalieerkennung |
| MODELL_QUANTIL | Numerischer Wert | Schätzbereiche, Zukunftsprognosen |
| MODELL_ERWARTUNG | Numerischer Wert | Durchschnittliches Ergebnis, allgemeiner Trend (Basislinie) |
Die Syntax folgt einem einheitlichen Muster. MODEL_PERCENTILE akzeptiert Modellspezifikationen, Zielwerte und Prädiktorwerte. Die Modellspezifikation ist optional – Tableau verwendet standardmäßig lineare Regression, wenn sie weggelassen wird.
Nutzen Sie prädiktive Analysen mit überlegener KI.
AI Superior Es hilft dabei, Vorhersagemodelle mit Reporting-Tools wie Tableau zu verbinden, sodass die Ergebnisse direkt in Dashboards verwendet werden können. Der Fokus liegt auf der separaten Erstellung von Modellen und der Integration der Ergebnisse in BI-Tools für den praktischen Einsatz.
Möchten Sie Tableau um prädiktive Analysen erweitern?
AI Superior kann Ihnen helfen bei:
- Erstellung von Vorhersagemodellen
- Modelle mit BI-Tools verbinden
- Integration von Ausgaben in Dashboards
- Verfeinerung von Modellen auf Basis von Feedback
👉 Kontaktieren Sie AI Superior um Ihr Projekt, Ihre Daten und Ihren Implementierungsansatz zu besprechen
Praktische Anwendungen
Diese Funktionen lösen reale Geschäftsprobleme. Ausreißer lassen sich einfach identifizieren – MODEL_PERCENTILE kennzeichnet Datenpunkte mit extremen Wahrscheinlichkeitswerten. Werte nahe 0 oder 1 weisen auf Beobachtungen hin, die weit von der erwarteten Verteilung entfernt sind.
Die Schätzung von Daten mit wenigen oder fehlenden Daten funktioniert anders. Wenn Datensätze Lücken aufweisen, füllen Vorhersagefunktionen diese anhand von Beziehungen zu anderen Variablen. Dies ist einfacheren Mittelwerten überlegen, da das Modell Korrelationen zwischen mehreren Prädiktoren berücksichtigt.
Zeitreihenprognosen erweitern den Zeitraum in die Zukunft. Erstellen Sie eine Berechnung für zukünftige Monate und wenden Sie anschließend MODEL_QUANTILE an, um Umsatz, Ertrag oder Nachfrage zu prognostizieren. Basierend auf verfügbaren Daten wurde eine Steigerung des Kundenwerts dokumentiert, wenn Unternehmen Analysen systematisch einsetzen, wie beispielsweise die 40-prozentige Steigerung bei der E-Commerce-Logistikplattform Parcel Perform.
Modelltypen und Auswahl
Tableau unterstützt lineare Regression, regularisierte lineare Regression und Gaußprozessregression. Jedes Modell eignet sich für unterschiedliche Szenarien.
Die lineare Regression – die Standardmethode – funktioniert, wenn die Prädiktoren in einem linearen Verhältnis zur Zielvariablen stehen und nicht von denselben zugrunde liegenden Bedingungen beeinflusst werden. Sie ist schnell und gut interpretierbar.
Regularisierte lineare Regression verhindert Überanpassung bei vielen Prädiktoren. Der Regularisierungsparameter begrenzt die Koeffizientengrößen und verbessert so die Generalisierung auf neue Daten.
Die Gaußprozessregression modelliert nichtlineare Zusammenhänge und liefert Unsicherheitsabschätzungen. Sie ist rechenintensiver, erfasst aber komplexe Muster, die lineare Modelle nicht erfassen.
| Modelltyp | Anwendungsfall | Rechenkosten |
|---|---|---|
| Lineare Regression | Lineare Beziehungen, wenige Prädiktoren | Niedrig |
| Regularisierte lineare | Viele Prädiktoren, Überanpassungsrisiko | Medium |
| Gaußscher Prozess | Nichtlineare Muster, Unsicherheit erforderlich | Hoch |
Einstein-Entdeckungsintegration
Für fortgeschrittene Szenarien lässt sich Tableau in Einstein Discovery integrieren. Hierfür ist eine zusätzliche Lizenz erforderlich – entweder eine Einstein Discovery in Tableau-Lizenz, eine CRM Analytics Plus-Lizenz oder eine Einstein Predictions-Lizenz.”
Einstein Discovery integriert KI-gestützte Vorhersagemodelle in Tableau-Dashboards. Verbinden Sie sich mit der Analytics-Erweiterung, interagieren Sie mit Modellen oder betten Sie Vorhersagen über Tabellenberechnungsskripte ein. Die Plattform unterstützt dynamische, bedarfsgesteuerte Vorhersagen, die sich aktualisieren, sobald Benutzer Daten filtern und analysieren.
Organisationen im Gesundheitswesen berichten von deutlichen Ergebnisverbesserungen durch den Einsatz prädiktiver Analysen. Medienunternehmen nutzen prädiktive Analysen, um ihre Strategien zur Kundengewinnung zu optimieren. Diese Erfolge basieren auf präziser Zielgruppenansprache mithilfe prädiktiver Modelle.
Optionale Parameter
Einstein Discovery unterstützt optionale Parameter zur Steuerung der Ausgabe. Der Parameter „maxMiddleValues“ gibt die Anzahl der in der Antwort zurückgegebenen Top-Prädiktoren an – hilfreich, um zu verstehen, welche Faktoren die Vorhersagen beeinflussen.
Der Parameter „maxPrescriptions“ legt die maximale Anzahl der angezeigten Verbesserungen fest. Er funktioniert mit Regressions-, Binärklassifizierungs- und Mehrklassenmodellen.
Analytics-Erweiterungen
Die Analytics Extensions API von Tableau ermöglicht Teams die Integration benutzerdefinierter Machine-Learning-Modelle. Verbinden Sie sich mit TabPy-, RServe- oder MATLAB-Servern, um SCRIPT-Funktionen in berechneten Feldern auszuführen.
Dieser Ansatz eignet sich für Organisationen mit bestehenden, in Python oder R erstellten Modellen. Data Scientists stellen die Modelle auf Analyseservern bereit, und Analysten rufen sie dann aus Tableau mithilfe der Funktionen SCRIPT_REAL, SCRIPT_INT, SCRIPT_STR oder SCRIPT_BOOL auf.
Der Workflow trennt die Modellentwicklung von der Visualisierung. Data Scientists arbeiten iterativ in ihrer bevorzugten Umgebung, während Business-Anwender über vertraute Tableau-Dashboards interagieren.
Häufig gestellte Fragen
Worin besteht der Unterschied zwischen Prognosen und prädiktiven Modellen in Tableau?
Prognosen nutzen exponentielle Glättung, um Zeitreihen in die Zukunft zu verlängern. Prädiktive Modellierung verwendet Regression, um Beziehungen zwischen Variablen herzustellen und Vorhersagen zu treffen. Prognosen funktionieren automatisch für zeitliche Daten; prädiktive Modellierung erfordert die Definition von Ziel- und Prädiktorvariablen.
Kann ich in Tableau Public prädiktive Analysen verwenden?
Ja. Die Funktionen MODEL_PERCENTILE und MODEL_QUANTILE funktionieren in Tableau Public, Desktop, Server und Cloud. Einstein Discovery ist lizenzpflichtig und in der Public Edition nicht verfügbar.
Wie viele Prädiktoren kann ich in ein Modell einbeziehen?
Die lineare Regression unterstützt mehrere Prädiktoren, ihre praktischen Grenzen hängen jedoch vom Datenvolumen und den verfügbaren Rechenressourcen ab. Beginnen Sie mit Variablen, die einen klaren Zusammenhang mit der Zielgröße aufweisen. Fügen Sie weitere Prädiktoren hinzu, wenn diese die Modellgüte verbessern, ohne Multikollinearität zu verursachen.
Benötigen prädiktive Modellierungsfunktionen externe Integrationen?
Nein. MODEL_PERCENTILE und MODEL_QUANTILE sind native Tabellenberechnungen, die ohne externe Verbindungen funktionieren. Analytics Extensions (Python, R, MATLAB) und Einstein Discovery sind für fortgeschrittene Anwendungsfälle optional.
Welche Modelle unterstützt Tableau für prädiktive Analysen?
Native Funktionen unterstützen lineare Regression, regularisierte lineare Regression und Gaußprozessregression. Mithilfe von Analytics Extensions können Teams jedes Modell integrieren, das auf Python-, R- oder MATLAB-Servern bereitgestellt werden kann.
Wie wähle ich zwischen MODEL_PERCENTILE und MODEL_QUANTILE?
Verwenden Sie MODEL_PERCENTILE, wenn Sie Wahrscheinlichkeitswerte benötigen – ideal zur Ausreißererkennung oder Anomaliekennzeichnung. Verwenden Sie MODEL_QUANTILE, wenn Sie tatsächliche Vorhersagewerte benötigen – besser geeignet zum Auffüllen fehlender Daten oder zur Prognose spezifischer Zahlen.
Können sich Vorhersagemodelle automatisch aktualisieren, wenn die Daten aktualisiert werden?
Ja. Die Vorhersageberechnungen werden bei Aktualisierung der zugrunde liegenden Daten neu berechnet. Das Modell wird anhand der aktuellen Daten neu erstellt, sodass die Vorhersagen die neuesten Muster widerspiegeln. Dies funktioniert sowohl für native Funktionen als auch für Analytics-Erweiterungen.
Weiter geht's
Die prädiktive Analytik in Tableau schließt die Lücke zwischen Analyse und Prognose. Die meisten Anwendungsfälle lassen sich ohne zusätzliche Tools mit den nativen Funktionen abdecken. Einstein Discovery und Analytics Extensions erweitern die Möglichkeiten für spezielle Anforderungen.
Beginnen Sie mit MODEL_PERCENTILE und MODEL_QUANTILE auf bestehenden Dashboards. Testen Sie die Vorhersagen anhand bekannter Ergebnisse, um die Modellgenauigkeit zu validieren. Verfeinern Sie die Auswahl der Prädiktoren basierend auf Geschäftskenntnissen und statistischen Zusammenhängen.
Die Stärke der Plattform liegt in ihrer Zugänglichkeit: Analysten erstellen Prognosemodelle über dieselbe Benutzeroberfläche, die sie auch für Visualisierungen nutzen. In der offiziellen Tableau-Dokumentation finden Sie Informationen zur aktuellen Funktionsverfügbarkeit. Beginnen Sie noch heute mit der Prognoseerstellung.
German 
English 
Arabic 
French 
Dutch 
Spanish