Résumé rapide : L'analyse prédictive dans Tableau exploite des fonctions intégrées telles que MODEL_PERCENTILE et MODEL_QUANTILE pour prévoir les résultats futurs à l'aide de modèles de régression linéaire. Tableau Cloud, Desktop, Public et Server prennent en charge la modélisation prédictive native sans nécessiter d'intégrations externes, ainsi que l'intégration d'Einstein Discovery pour les scénarios avancés. Les entreprises peuvent identifier les valeurs aberrantes, estimer les valeurs manquantes et prédire les périodes futures directement dans leurs visualisations.
L'analyse prédictive transforme les données historiques en prévisions exploitables. Tableau a évolué au-delà de la simple visualisation : c'est désormais un outil prédictif puissant qui permet aux analystes de créer des modèles statistiques directement depuis leurs tableaux de bord.
La plateforme utilise la régression linéaire pour faire ressortir les tendances et les relations cachées dans les données. Deux calculs de table fondamentaux sous-tendent cette fonctionnalité.
Comprendre les fonctions de modélisation prédictive de Tableau
Tableau intègre des fonctionnalités natives de modélisation prédictive dans Tableau Cloud, Tableau Desktop, Tableau Public et Tableau Server. Le système repose sur trois fonctions principales qui gèrent des tâches de prévision distinctes.
La fonction MODEL_PERCENTILE renvoie la probabilité (entre 0 et 1) que la valeur attendue soit inférieure ou égale à la valeur observée. Elle calcule la fonction de distribution prédictive a posteriori, indiquant ainsi la position de votre point de données dans l'intervalle prédit.
La fonction MODEL_QUANTILE fonctionne à l'inverse. Elle renvoie la valeur numérique cible à un quantile spécifié de l'intervalle probable. Cette fonction est idéale lorsque vous avez besoin de valeurs numériques plutôt que de probabilités.
MODEL_EXPECTATION renvoie la valeur numérique attendue (la moyenne de la distribution sous-jacente) pour l'expression cible en fonction des prédicteurs.
| Fonction | Retours | Idéal pour |
| POURCENTILE DU MODÈLE | Probabilité (0-1) | Identification des valeurs aberrantes, détection des anomalies |
| MODÈLE_QUANTILE | valeur numérique | Estimation des fourchettes, prévisions futures |
| MODÈLE_ATTENDANCE | valeur numérique | Résultat moyen, tendance générale de référence |
La syntaxe suit un modèle cohérent. MODEL_PERCENTILE accepte les spécifications de modèle, les expressions cibles et les expressions de prédicteurs. La spécification du modèle est facultative ; par défaut, Tableau utilise la régression linéaire si elle est omise.
Utilisez l'analyse prédictive avec l'IA supérieure
IA supérieure Ce système permet de connecter les modèles prédictifs à des outils de reporting comme Tableau afin d'utiliser directement les résultats dans des tableaux de bord. L'accent est mis sur la création de modèles indépendants et l'intégration des résultats dans des outils de BI pour une utilisation concrète.
Vous souhaitez ajouter des fonctionnalités d'analyse prédictive à Tableau ?
AI Superior peut vous aider avec :
- construction de modèles prédictifs
- connecter les modèles aux outils de BI
- intégrer les résultats dans les tableaux de bord
- perfectionnement des modèles en fonction des retours d'information
👉 Contactez l'IA supérieure pour discuter de votre projet, de vos données et de votre approche de mise en œuvre
Applications pratiques
Ces fonctions permettent de résoudre des problèmes concrets d'entreprise. L'identification des valeurs aberrantes devient simple : MODEL_PERCENTILE signale les points de données présentant des scores de probabilité extrêmes. Les valeurs proches de 0 ou de 1 indiquent des observations très éloignées de la distribution attendue.
L'estimation des données éparses ou manquantes fonctionne différemment. Lorsque les ensembles de données présentent des lacunes, les fonctions prédictives les comblent en se basant sur les relations avec d'autres variables. Cette méthode est plus performante que les simples moyennes, car le modèle tient compte des corrélations entre plusieurs prédicteurs.
Les prévisions de séries temporelles étendent les axes temporels dans le futur. Créez un calcul pour les mois à venir, puis appliquez MODEL_QUANTILE pour projeter les ventes, le chiffre d'affaires ou la demande. D'après les données disponibles, l'application systématique de l'analyse de données a permis d'observer une augmentation de la valeur vie client, comme en témoigne la hausse de 40 % enregistrée par la plateforme logistique e-commerce Parcel Perform.
Types de modèles et sélection
Tableau prend en charge la régression linéaire, la régression linéaire régularisée et la régression par processus gaussien. Chaque modèle gère des scénarios différents.
La régression linéaire (méthode par défaut) convient lorsque les prédicteurs ont une relation linéaire avec la variable cible et ne sont pas affectés par les mêmes conditions sous-jacentes. Elle est rapide et interprétable.
La régression linéaire régularisée prévient le surapprentissage en présence d'un grand nombre de prédicteurs. Le paramètre de régularisation limite la taille des coefficients, améliorant ainsi la généralisation à de nouvelles données.
La régression par processus gaussien modélise les relations non linéaires et fournit des estimations d'incertitude. Plus gourmande en ressources de calcul, elle permet de détecter des schémas complexes que les modèles linéaires ne parviennent pas à saisir.
| Type de modèle | Cas d'utilisation | Coût de calcul |
|---|---|---|
| Régression linéaire | Relations linéaires, peu de prédicteurs | Faible |
| Linéaire régularisé | De nombreux prédicteurs, risque de surapprentissage | Moyen |
| Processus gaussien | Modèles non linéaires, incertitude nécessaire | Haut |
Intégration de la découverte Einstein
Pour les scénarios avancés, Tableau s'intègre à Einstein Discovery. Cela nécessite une licence supplémentaire : une licence Einstein Discovery dans Tableau, une licence CRM Analytics Plus ou une licence Einstein Predictions.”
Einstein Discovery intègre des modèles prédictifs basés sur l'IA aux tableaux de bord Tableau. Connectez-vous à l'extension analytique, interagissez avec les modèles ou intégrez des prédictions via des scripts de calcul de table. La plateforme prend en charge des prédictions dynamiques à la demande, qui s'actualisent en fonction des filtrages et de l'exploration des données par l'utilisateur.
Les organismes de santé ont constaté des améliorations significatives de leurs résultats grâce aux applications d'analyse prédictive. Les entreprises de médias ont utilisé l'analyse prédictive pour optimiser leurs stratégies d'acquisition de clients. Ces résultats sont le fruit d'un ciblage précis rendu possible par les modèles prédictifs.
Paramètres optionnels
Einstein Discovery prend en charge des paramètres optionnels qui contrôlent les résultats. Le paramètre maxMiddleValues spécifie le nombre de prédicteurs les plus pertinents renvoyés dans la réponse ; il est utile pour comprendre quels facteurs influencent les prédictions.
Le paramètre maxPrescriptions définit le nombre maximal d'améliorations affichées. Il fonctionne avec les modèles de régression, de classification binaire et multiclasses.
Extensions analytiques
L'API Analytics Extensions de Tableau permet aux équipes d'intégrer des modèles d'apprentissage automatique personnalisés. Connectez-vous aux serveurs TabPy, RServe ou MATLAB pour exécuter des fonctions SCRIPT dans des champs calculés.
Cette approche convient aux organisations disposant de modèles existants construits en Python ou en R. Les data scientists déploient les modèles sur des serveurs d'analyse, puis les analystes les appellent depuis Tableau à l'aide des fonctions SCRIPT_REAL, SCRIPT_INT, SCRIPT_STR ou SCRIPT_BOOL.
Ce flux de travail dissocie le développement du modèle de sa visualisation. Les data scientists travaillent dans leur environnement de prédilection tandis que les utilisateurs métiers interagissent via les tableaux de bord Tableau qu'ils connaissent bien.
FAQ
Quelle est la différence entre la prévision et la modélisation prédictive dans Tableau ?
La prévision utilise le lissage exponentiel pour prolonger les séries temporelles. La modélisation prédictive utilise la régression pour établir des relations entre les variables et effectuer des prédictions. La prévision est automatique pour les données temporelles ; la modélisation prédictive nécessite la définition des variables cibles et des variables explicatives.
Puis-je utiliser l'analyse prédictive dans Tableau Public ?
Oui. Les fonctions MODEL_PERCENTILE et MODEL_QUANTILE fonctionnent dans Tableau Public, Desktop, Server et Cloud. Einstein Discovery nécessite une licence payante et n'est pas disponible dans l'édition publique.
Combien de prédicteurs puis-je inclure dans un modèle ?
La régression linéaire permet d'utiliser plusieurs prédicteurs, mais ses limites pratiques dépendent du volume de données et des ressources de calcul. Commencez par les variables présentant des relations claires avec la variable cible. Ajoutez d'autres prédicteurs s'ils améliorent l'ajustement du modèle sans introduire de multicolinéarité.
Les fonctions de modélisation prédictive nécessitent-elles des intégrations externes ?
Non. MODEL_PERCENTILE et MODEL_QUANTILE sont des calculs de table natifs qui fonctionnent sans connexion externe. Les extensions Analytics (Python, R, MATLAB) et Einstein Discovery sont optionnelles pour les scénarios avancés.
Quels modèles Tableau prend-il en charge pour l'analyse prédictive ?
Les fonctions natives prennent en charge la régression linéaire, la régression linéaire régularisée et la régression par processus gaussien. Grâce aux extensions Analytics, les équipes peuvent intégrer tout modèle déployable sur les serveurs Python, R ou MATLAB.
Comment choisir entre MODEL_PERCENTILE et MODEL_QUANTILE ?
Utilisez MODEL_PERCENTILE lorsque vous avez besoin de scores de probabilité ; c’est idéal pour la détection de valeurs aberrantes ou le signalement d’anomalies. Utilisez MODEL_QUANTILE lorsque vous avez besoin de valeurs prédites exactes ; c’est plus adapté pour compléter les données manquantes ou prévoir des valeurs spécifiques.
Les modèles prédictifs peuvent-ils se mettre à jour automatiquement lors de l'actualisation des données ?
Oui. Les calculs prédictifs sont recalculés lorsque les données sous-jacentes sont actualisées. Le modèle se reconstruit à partir des données actuelles, garantissant ainsi que les prédictions reflètent les tendances les plus récentes. Ceci est valable pour les fonctions natives et les extensions Analytics.
Aller de l'avant
L'analyse prédictive dans Tableau comble le fossé entre l'analyse et la prévision. Les fonctions natives couvrent la plupart des cas d'utilisation sans outils supplémentaires. Les extensions Einstein Discovery et Analytics étendent les fonctionnalités pour répondre à des besoins spécifiques.
Commencez par paramétrer MODEL_PERCENTILE et MODEL_QUANTILE sur les tableaux de bord existants. Testez les prédictions par rapport aux résultats connus afin de valider la précision du modèle. Affinez la sélection des prédicteurs en fonction de votre connaissance métier et des relations statistiques.
La force de la plateforme réside dans son accessibilité : les analystes créent des modèles prédictifs via la même interface que celle utilisée pour les visualisations. Consultez la documentation officielle de Tableau pour connaître les fonctionnalités disponibles et commencez dès aujourd’hui à réaliser des prévisions.
French 
English 
German 
Arabic 
Dutch 
Spanish