---
schema_version: "1"
id: 2f495287afad5e755a878253fc6804ec93f9b35f59b6652bca6836d13256bc20
title: '"Berechnen per" und Datenpartitionierung in der Vorhersagemodellierung'
collection: tableau
version: next
locale: de-de
portal_url: https://docs.salesforce.com/tableau/next/de-de/pro/desktop/predictions_compute_using.md
canonical_url: https://help.tableau.com/v0.0/pro/desktop/de-de/predictions_compute_using.htm
source_site: help.tableau.com
content_type: documentation
content_hash: 4a736e0ee7e7efacb52836ef1cacf155c527e0a6348743d918f4cede94d43910
description: Understand Compute Using and data partitioning in predictive modeling functions.
---
[Zum Hauptinhalt springen](#main-content)
# "Berechnen per" und Datenpartitionierung in der Vorhersagemodellierung
Vorhersagen für Daten werden erstellt, indem Sie die [Vorhersagemodellierungsfunktionen](https://help.tableau.com/current/pro/desktop/de-de/predictions_overview.htm), MODEL\_QUANTILE oder MODEL\_PERCENTILE, in eine Tabellenberechnung einbeziehen.
Beachten Sie, dass für alle Tabellenberechnungen eine Richtung vom Typ Berechnen per angegeben werden muss. Eine Übersicht darüber, wie sich verschiedene Adressierungs- und Partitionierungsdimensionen auf Ihre Ergebnisse auswirken können, finden Sie unter [Umwandeln von Werten mit Tabellenberechnungen](https://help.tableau.com/v0.0/pro/desktop/de-de/calculations_tablecalculations.htm).
**Hinweis:** Beim Hinzufügen einer Tabellenberechnung müssen Sie alle Dimensionen in der Detailgenauigkeit für die Partitionierung (Umfang) oder die Adressierung (Richtung) verwenden. Die Dimensionen für die Definition der Gruppierung der Berechnung (Umfang der Daten, auf die sie angewendet wird), werden Partitionierungsfelder genannt. Die Tabellenberechnung erfolgt separat in jeder Partition. Die verbleibenden Dimensionen, auf denen die Tabellenberechnung ausgeführt wird, werden als Adressierungsfelder bezeichnet und bestimmen die Richtung der Berechnung. Weitere Einzelheiten finden Sie unter [Grundlagen: Adressierung und Partitionierung](https://help.tableau.com/current/pro/desktop/de-de/calculations_tablecalculations.htm#the-basics-addressing-and-partitioning).
Bei den Vorhersagemodellierungsfunktionen wird die Option Berechnen per verwendet, um den Datensatz zu partitionieren (Umfang), der zum Erstellen des Vorhersagemodells verwendet wird.
Für Vorhersagemodellierungsfunktionen existiert _kein_ Adressierungskonzept (Richtung), da das Modell ein bestimmtes Ergebnis für jede Markierung zurückgibt, das auf den ausgewählten Prädiktoren basiert. Das heißt, dass die Vorhersagemodellierungsfunktionen grundsätzlich nicht sequentiell sind. Dies steht im Gegensatz zum Konzept Laufende Summe, wo die Adressierungsdimension die Reihenfolge bestimmt, in der Felder hinzugefügt und Ergebnisse zurückgegeben werden. Die Vorhersagemodellierungsfunktionen berechnen Ergebnisse mithilfe eines Modells anhand der Daten, die durch das Ziel und die Prädiktoren der Funktion definiert werden. Dabei kommt die durch die Visualisierung angegebene Detailgenauigkeit zum Tragen. Innerhalb der Daten existiert kein Sequenzierungskonzept, es sei denn, es wird ein geordneter Prädiktor wie eine Datumsdimension verwendet.
Zudem wird die Detailgenauigkeit der Visualisierung immer dann verwendet, wenn die zum Erstellen des Modells verwendeten Daten definiert werden. Alle Tabellenberechnungen werden mit derselben Detailgenauigkeit wie die Visualisierung selbst durchgeführt, und die Vorhersagemodellierungsfunktionen bilden dabei keine Ausnahme.
## Empfehlungen für Vorhersagemodellierungsfunktionen
Es wird empfohlen, eine spezifische Dimension für die Partitionierung auszuwählen, wenn Sie die Vorhersagemodellierungsfunktionen verwenden. Da eine einzelne Visualisierung oder ein einzelnes Dashboard mehrere Vorhersageberechnungen beinhalten kann, wird durch Auswahl einer spezifischen Partitionierungsdimension sichergestellt, dass Sie Modelle anhand desselben zugrunde liegenden Datensatzes für alle individuellen Funktionen erstellen und somit Ergebnisse aus ähnlichen Modellen vergleichen.
Beim Arbeiten mit Vorhersagemodellierungsfunktionen in Tableau muss unbedingt sichergestellt werden, dass die verschiedenen Instanziierungen konstant bleiben, sowohl in verschiedenen Iterationen Ihres Modells (z. B. bei Auswahl verschiedener Prädiktoren) als auch in verschiedenen Visualisierungen. Bei Verwendung der Richtungsoptionen für "Berechnen per" ist es möglich, dass sich eine geringfügige Änderung Ihrer visualisierten Daten erheblich auf die zum Erstellen des Modells verwendeten Daten auswirkt. Dadurch werden ihre Gültigkeit und Konsistenz in verschiedenen Visualisierungen beeinträchtigt.
### Auswählen von Dimensionen
Bei den folgenden Beispielen wird die Datenquelle **Beispiel ‒ Superstore** (Beispiel – Superstore) verwendet, die in Tableau Desktop enthalten ist.
Beachten Sie beim Auswählen einer Dimension, dass Tableau ein Vorhersagemodell _für_ diese Dimension erstellt. Das heißt, dass Tableau beim Auswählen von Bestelldatum für die Partitionierungsdimension zwar die Daten _innerhalb_ anderer erstellter Partitionen, jedoch _zusammen_ mit Werten unter Bestelldatum verwendet.
In dem Bild unten sind die zum Erstellen des Modells verwendeten Daten gelb und die Modellausgabe orange markiert. Weil in diesem Fall keine Prädiktoren vorhanden sind, sind alle Antworten innerhalb einer bestimmten Unterkategorie identisch. Durch Auswahl optimaler Prädiktoren können Sie aussagekräftigere Ergebnisse generieren. Weitere Informationen zu optimalen Prädiktoren finden Sie unter [Auswählen von Prädiktoren](https://help.tableau.com/v0.0/pro/desktop/de-de/predictions_choosing_predictors.htm).
Wenn Sie die Unterkategorie als Partitionierungsdimension auswählen, würde Tableau die Daten gleichermaßen _innerhalb_ eines bestimmten Monats, aber _zusammen_ mit mehreren Unterkategorien verwenden, wie unten dargestellt. Werden die Daten weiter in Bereiche unterteilt, so werden die Bereichsgrenzen beim Erstellen eines Modells respektiert.
## Hinweis zur Partitionierung
Beachten Sie, dass Ihre Daten visuell erhebliche Auswirkungen auf die Daten haben, die zum Erstellen eines Modells und Generieren Ihrer Vorhersagen verwendet werden. Durch das Hinzufügen einer höheren Detailgenauigkeit (beispielsweise durch Einfügen von Bundesland und Stadt in einen einzelnen Container) werden Ihre Daten mit der höheren Detailgenauigkeit partitioniert. Die Reihenfolge, in der die Felder im Container platziert werden, ist dabei unerheblich. Beispielsweise werden im folgenden Beispiel identische Vorhersagen zurückgegeben:
Beim Hinzufügen eines Feldes zur Änderung der Detailgenauigkeit werden Ihre Daten partitioniert, wenn Sie entweder dem Zeilen- oder Spalten-Container oder zu "Farbe", "Größe", "Beschriftung", "Detail" oder "Form" auf der Karte "Markierungen" hinzugefügt werden. Durch das Hinzufügen eines Feldes mit einer anderen Detailgenauigkeit zu einer QuickInfo werden Ihre Daten _nicht_ partitioniert.
In dem unten angegebenen Beispiel wird das Modell automatisch nach Kategorie partitioniert, da sich die beiden Felder Kategorie und Unterkategorie in Zeilen befinden. Die Vorhersageberechnung erfolgt für die Unterkategorie innerhalb der Grenzen des übergeordneten Feldes Kategorie.
Dies wirkt sich auf die Art und Weise aus, wie Ihre Prädiktoren angewendet werden. Betrachten wir das Beispiel unten. In diesem Fall werden drei MODEL\_QUANTILE-Tabellenberechnungen angewendet:
Predict_Sales_City
Predict_Sales_State
Predict_Sales_Region
MODEL_QUANTILE(0.5,sum([Sales]), ATTR([City]))
MODEL_QUANTILE(0.5,sum([Sales]), ATTR([State]))
MODEL_QUANTILE(0.5,sum([Sales]), ATTR([Region]))
Wir haben für alle drei Berechnen > Stadt ausgewählt. Sehen wir uns einige Städte in North Carolina an:
Beachten Sie, dass die Ergebnisse aus allen drei Berechnungen in einem bestimmten Bundesstaat trotz Verwendung verschiedener Prädiktoren identisch sind.
Wenn wir die Region aus dem Zeilen-Container entfernen, bleiben unsere Ergebnisse unverändert. Sie sind innerhalb eines bestimmten Bundesstaats immer noch identisch:
Wenn wir jedoch den Bundesstaat aus dem Zeilen-Container entfernen, werden für jede Berechnung andere Ergebnisse angezeigt:
### Was ist da los?
Im ersten Beispiel werden anhand von Region und Bundesstaat im Zeilen-Container die Städte partitioniert. Demzufolge erhalten die Modelle für **Predict\_Sales\_City**, **Predict\_Sales\_State** und **Predict\_Sales\_Region** dieselben Daten, und sie generieren dieselben Vorhersagen.
Da wir die Daten in Bundesstaat und Region bereits visuell partitioniert haben, sorgt keiner unserer Prädiktoren für einen Mehrwert des Modells, und sie haben keinen Einfluss auf die Ergebnisse:
Wenn wir die Region aus dem Zeilen-Container entfernen, erfolgt weiterhin eine Partitionierung nach Bundesstaat. Die zum Erstellen des Modells verwendeten Daten bleiben also unverändert. Da wir die Daten in Bundesstaat bereits visuell partitioniert haben, sorgt, wie bereits erwähnt, keiner unserer Prädiktoren für einen Mehrwert des Modells, und sie haben keinen Einfluss auf die Ergebnisse:
Wenn wir jedoch Bundesstaat entfernen, wird die Partitionierung der Daten aufgehoben, und es werden verschiedene Prädiktoren für die einzelnen Berechnungen angezeigt. Sehen wir uns einmal genauer an, was hier passiert:
Für **Predict\_Sales\_City** verwenden wir [ATTR(\[City\])](https://kb.tableau.com/articles/howto/when-to-use-the-attribute-attr-function?lang=de-de) als Prädiktor. Da hierbei dieselbe Detailgenauigkeit wie bei der Visualisierung verwendet wird, sorgt dies für keinen Mehrwert und wird außer Acht gelassen. Wir aggregieren den Umsatz für alle Städte, übergeben sie an die Statistik-Engine und berechnen die Umsatzprognose. Da keine weiteren Prädiktoren einbezogen werden, wird für jede Stadt dasselbe Ergebnis angezeigt. Hätten wir eine oder mehrere Kennzahlen einbezogen, würden die Ergebnisse variieren.
Für **Predict\_Sales\_State** verwenden wir ATTR(\[State\]) als Prädiktor. Der _Prädiktor_ partitioniert alle Daten für die Stadt nach Bundesland. Wir gehen davon aus, dass _innerhalb_ eines Bundesstaats identische Ergebnisse, jedoch verschiedene Ergebnisse für _jeden_ Bundesstaat angezeigt werden.
Sie sehen, dass dies jedoch nicht der Fall ist. Die Städte Cary, Chapel Hill und Charlotte weisen alle identische Vorhersagen von 2.084 $ auf, wie wir es erwartet haben. Für Burlington lautet die Vorhersage jedoch 9.366 $:
Die Ursache dafür ist, dass "Burlington" in mehreren Bundesstaaten existiert (Iowa, North Carolina und Vermont). Daher wird der Bundesstaat in \* aufgelöst, was "mehrere Werte" bedeutet. Alle Markierungen, bei denen Bundesstaat in \* aufgelöst wird, werden zusammen evaluiert. Demzufolge hätte jede andere Stadt, die ebenfalls in mehreren Bundesstaaten existiert, ebenfalls die Vorhersage 9.366 $.
Für **Predict\_Sales\_Region** verwenden wir ATTR(\[Region\]) als Prädiktor. Der _Prädiktor_ partitioniert alle Daten für die Stadt nach Region. Man erwartet, dass _innerhalb_ einer Region identische Ergebnisse, jedoch verschiedene Ergebnisse für _jede_ Region angezeigt werden:
Da Burlington wiederum in mehreren Regionen vorkommt (Zentrum, Osten und Süden), wird die Region in \* aufgelöst. Die Vorhersagen für Burlington werden nur den Städten zugeordnet, die ebenfalls in mehreren Regionen vorkommen.
Demzufolge ist sehr wichtig, sicherzustellen, dass dimensionale Prädiktoren korrekt auf die Detailgenauigkeit Ihrer Visualisierung und auf Ihre Partitionierung ausgerichtet sind. Eine Unterteilung Ihrer Visualisierung nach einer beliebigen Dimension könnte unbeabsichtigte Auswirkungen auf Ihre Vorhersagen haben.
