The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.

iperform

Introduction

Décrire, résumer, modéliser et prédire font partie des principaux objectifs poursuivis lors de l’analyse d’une série temporelle. L’étape de la description, comme pour toutes les données, consiste souvent à des représentations graphiques telles que le chronogramme, l’histogramme, le diagramme retardé, et aux calculs des statistiques issuelles telles que la moyenne, la variance, le coefficients d’aplatissement et d’asymétrie.

Dans les domaines de finance, de comptabilité ou de marketing opérationnel, les experts suivent au quotidien l’évolution de leurs activités en comparant à chaque fois les résultats d’une date (ou d’une période) par rapport à une date (ou une période) antérieure, par rapport aux résultats du marché global ou par rapport aux résultats de leurs concurrents directs. On parle là de concept de performance.

Si on note par \(x_t\) ~ \(\left\{x_t : t = 1, · · · , n\right\}\) une série temporelle où \(t\) represente le temps, les performances les plus souvent sont :

On peut egalement parler des concepts de day-to-date (pour la durée écoulée au cours d’une journée pour ceux qui suivent l’activité par heure) ou quater-to-date (pour le résultat cumulé sur un trimestre) ou encore full month, full year, etc pour designer la totalité de la periode indiquée.

Ces concepts représentent à eux seuls près de 90% de l’information de pilotage des activités des analystes du secteur bancaire, bourse, télécommunication avant d’arriver à la modélisation et la prédiction des résultats futurs. Avec la révolution des solutions Big Data sur la visualisation des données, plusieurs tableaux de bord utilisent ces concepts en combinaison avec les variations par rapport aux dates ou périodes antérieures pour enrichir l’histoire lors de la présentation des données, des résultats ou de la performance de l’activité.

Cette vignette décrit l’utilisation des differentes fonctions offertes par le package iperform pour répondre à ce besoin devenu de plus en plus important avec la révolution des données.

Le package iperform est une boite à outil qui permet de calculer les performances d’une série temporelle en une date ou sur une période bien spécifique. Couplé avec le package R lubridate, le package offre en cette prémière version les principales fonctions que voici regroupées en quatre (4) catégories :

Les performances

Les aperçus

Les prévisions

Les transformations

Dans cette vignette, on présente les mecanismes des calculs derrière ces fonctions.

Exemples

Pour commencer, nous allons charger quelques packages nécessaires dont nous avons besoin

library(lubridate)
library(iperform)
library(ggplot2)

0. Description des données

Nous allons illustré le fonctionnement de ces fonctions à l’aide d’un jeu de données contenant les indicateurs de l’activité du service voix mobile d’un operateur de téléphonie mobile anonyme1.

data(voix_mobile)

Ce jeu des données contient 4 variables :

head(voix_mobile)
#>         date Parc    Usage Revenu
#> 1 2021-01-01 5178 10444.69 615.66
#> 2 2021-01-02 3808  7669.21 473.96
#> 3 2021-01-03 3527  7099.51 437.71
#> 4 2021-01-04 3932  7920.70 486.31
#> 5 2021-01-05 4149  8360.29 514.61
#> 6 2021-01-06 4146  8353.91 509.29

Un petit resumé sur des données

summary(voix_mobile)
#>       date                 Parc          Usage           Revenu     
#>  Min.   :2021-01-01   Min.   :2516   Min.   : 5051   Min.   :366.0  
#>  1st Qu.:2021-09-08   1st Qu.:5598   1st Qu.: 9550   1st Qu.:519.5  
#>  Median :2022-05-17   Median :7025   Median :10671   Median :557.0  
#>  Mean   :2022-05-17   Mean   :6625   Mean   :10546   Mean   :563.5  
#>  3rd Qu.:2023-01-22   3rd Qu.:7794   3rd Qu.:11664   3rd Qu.:603.2  
#>  Max.   :2023-09-30   Max.   :8154   Max.   :15285   Max.   :808.8

La variable Revenu sur quoi on va se focaliser varie de 365.96 usd à 808.79 usd, avec une moyenne de 563.5172084 usd. Elle a une variance de 3819 et un écart type de 62. La valeur de p-value < 0,05 de la sortie du test de normalité de Shapiro ci-dessous indique que la distribution des données est significativement différente de la distribution normale. Voilà le peu qu’on puisse dire, hormis les représentations graphiques sur ce qui est de la description de cette série.

Le phénomène est observé entre le 2021-01-01 et le 2023-09-30.

shapiro.test(voix_mobile$Revenu)
#> 
#>  Shapiro-Wilk normality test
#> 
#> data:  voix_mobile$Revenu
#> W = 0.98597, p-value = 3.215e-08

1. La fonction dday()

Pour connaitre le Revenu que l’ensemble des clients ont généré en date du 11 août 2023, on utilise la fonction dday() comme suit :

dday(data = voix_mobile,
      date = "2023-08-11",
      d = 0,
      x = "Revenu",
      unite = 1,
      decimal = 0)
#> [1] 569

Les arguments de la fonction

La fonction renvoit la valeur 0 si la date renseignée par l’utilisateur ne fait pas partie des dates de la série, à l’exemple de la du 11 decembre 2023:

dday(data = voix_mobile,
      date = "2023-12-11",
      d = 0,
      x = "Revenu",
      unite = 1,
      decimal = 0)
#> [1] 0

2. La fonction mtd()

Pour connaître la performance month-to-date du revenu réalisée en date du 11 août 2023, c’est-à-dire la somme des valeurs partant du 01 août 2023 au 11 août 2023 inclus, on utilise la fonction mtd() comme suit :

mtd(data = voix_mobile,
    date = "2023-08-11",
    m = 0,
    x = "Revenu",
    unite = 1,
    decimal = 0)
#> [1] 6100

ici, seul l’argument m est nouveau, les autres ont la même utilité que pour la fonction dday().

3. La fonction ytd()

Pour connaître la performance year-to-date du revenu réalisée en date du 11 août 2023, c’est-à-dire la somme des valeurs partant du 01 janvier 2023 au 11 août 2023 inclus, on utilise la fonction ytd() comme suit :

ytd(data = voix_mobile,
    date = "2023-08-11",
    a = 0,
    x = "Revenu",
    unite = 1000,
    decimal = 0)
#> [1] 123

idem pour les arguments.

4. La fonction wtd()

Pour connaître la performance week-to-date du revenu réalisée en date du 11 août 2023, on part du fait que la date 11 août 2023 est un vendredi, donc le 6e de la semaine en considerant le dimanche 06 août 2023 comme 1er jour. Ainsi, on calcule la somme des valeurs partant du 06 au 11 inclus en utilisant la fonction wtd() comme suit :

wtd(data = voix_mobile,
    date = "2023-08-11",
    w = 0,
    x = "Revenu",
    unite = 1,
    decimal = 0)
#> [1] 3348

idem pour les arguments.

5. La fonction full_m()

Cette fonction calcule la somme des valeurs d’une série au cours d’un mois. Le mois est déterminé par la date qu’on passe en argument à la fonction. Ainsi le code ci-dessous va nous renvoyer le total jusqu’en date du 31 août 2023 :

full_m(data = voix_mobile,
       date = "2023-08-11",
       x = "Revenu",
       unite = 1000,
       decimal = 0,
       cumul = FALSE)
#> [1] 16

Et cela quelque soit la date qu’on introduit en argument si cette dernière est comprise entre 01 août 2023 et 31 août 2023. On peut le verifier avec le code ci-dessous :

full_m(data = voix_mobile,
       date = "2023-08-25",
       x = "Revenu",
       unite = 1000)
#> [1] 16

6. La fonction forecast_m()

Pour cette version du package, la fonction forecast_m() ne fait pas grande chose, si ce n’est de calculer le total qu’on pourrait avoir sur un mois, connaissant sa performance month-to-date et le nombre du jour restant dans le même mois. Par exemple, si on place à la date du 2023-08-11, le forecast en cette date vaut :

forecast_m(data = voix_mobile,
           date = "2023-08-11",
           x = "Revenu",
           unite = 1000,
           decimal = 0,
           cumul = FALSE,
           mod = "NULL") 
#> [1] 17

En constate que cette valeur sera différente en fonction de la date à laquelle on se place au cours du mois :

vec_date = c("2023-08-20", "2023-08-25", "2023-08-28", "2023-08-30", "2023-08-31")

for (d in vec_date) {
  F = forecast_m(data = voix_mobile,
             date = d,
             x = "Revenu",
             unite = 1000)
  print(F)
  }
#> [1] 17
#> [1] 16
#> [1] 16
#> [1] 16
#> [1] 16

L’arguments mod

Mais au moins, on constate que pour ce modèle, plus on donne en argument une date qui est proche de la clôture du mois, plus la fonction renvoit une valeur proche de la fonction full_m.

7. La fonction taux_v()

Le taux de variation (tv) est la mesure de l’évolution d’un phénomène observé dans le temps. Si on note par \(x_a\) la valeur actuelle observée et \(x_d\) la valeur observée au départ (dans le passé), on a : \[tv = \frac{x_a - x_d}{x_d}\] Cette formule permet restreindre la définition du taux de variation qu’avec \(x_d \ne 0\) pour exclure le cas de division par 0.

En pratique, on lit le résultat en pourcentage, c’est-à-dire \(tv*100\).

Ce concept de variation ou taux de variation est trop utilisé dans les secteurs d’activité auxquels nous travaillons, les variations les plus fréquentes sont les suivantes :

On parle aussi de la variation WtD, MtM, YoY, etc.

Ainsi, si on souhaite calculer le taux de variation du revenu du 11 août 2023 par rapport au 10 août 2023, on utilise la fonction taux_v() comme suit :

taux_v(data = voix_mobile, 
       date = "2023-08-11", 
       x = "Revenu", 
       p = -1)
#> [1] 0

par rapport au 04 août 2023 :

taux_v(data = voix_mobile, 
       date = "2023-08-11", 
       x = "Revenu")
#> [1] -1.39

Par rapport au 11 juillet 2023 :

taux_v(data = voix_mobile, 
       date = "2023-08-11", 
       x = "Revenu", 
       variation = "mtd")
#> [1] 1.08

8. La fonction overview()

On a l’habitude d’utiliser la fonction de base summary() qui renvoie les statistiques issuelles, cependant ces paramètres entrent rarement dans le narratif des analystes des données du secteur susmentionnés. Pour reporter les résultats, les experts presentent des apercus globaux où ils parlent des performances YTD, MTD, WTD, etc… et leurs variations par rapport aux périodes antérieures.

Ainsi, si on souhaite avoir un aperçu du revenu en date du 2023-08-11, on utilise la fonction overview() comme suit :

overview(data = voix_mobile,
         date = "2023-08-11",
         x = "Revenu",
         unite = 1,
         decimal = 2,
         cumul = FALSE,
         freq = "full")

Lecture de la sortie du code R :

#>   Facteur DDay7 DDay   DoD WTD1  WTD  WoW MTD1  MTD SPLM Full_M1 FORECAST  MoM
#> 1  Revenu   577  569 -1.39 3228 3348 3.72 6035 6100 1.08   16636    17191 3.34
#>    QTD1   QTD  QoQ   YTD1    YTD    YoY
#> 1 22679 22735 0.25 137302 122850 -10.53

On pourra par exemple dire :

En date du 2023-08-11, l’operateur mobile a réalisé un chiffre d’affaire de 6100 usd en MTD, soit une hausse de 1.08% comparé à la même periode du mois passé. Avec le nombre de jours restant au cours du mois, on prévoit un total de 1.7191^{4} usd à la fin mois, ce qui fera une hausse de 3.34% par rapport à tout le mois de Juillet. En outre, la performance year-to-date atteint 1.2285^{5} usd, soit une baisse de -10.53% par rapport à l’année passée.

Certe, ce discours ne represente pas les causes qui expliquent les resultats en chaque période ni les différentes variations, mais au moins, raconte une histoire évolutive et un aperçu global de la perfomance de l’activité. Il ne restera qu’au rapporteur d’enrichir son histoire avec les resultats des analyses des causes à effet.

9. La fonction mean_m()

Cette fonction transforme une série temporelle à une série de moyenne mobile où chaque terme de la série devient la moyenne de lui-même avec ses sept(6) derniers termes précédants. A la sortie, la fonction renvoie un jeu des données où chaque colonne renseigne les données d’une année pour être superposées sur un graphe.

Exemple d’utilisation

df_mb = mean_m(data = voix_mobile, 
               x = "Revenu",
               unite = 1,
               decimal = 0)

head(df_mb, 10)
#>          date Min 2021 2022 2023 Max
#> 1  2023-01-01 616  616  675  645 675
#> 2  2023-01-02 545  545  587  633 633
#> 3  2023-01-03 509  509  584  625 625
#> 4  2023-01-04 503  503  573  615 615
#> 5  2023-01-05 506  506  577  613 613
#> 6  2023-01-06 506  506  580  612 612
#> 7  2023-01-07 506  506  581  608 608
#> 8  2023-01-08 491  491  568  591 591
#> 9  2023-01-09 495  495  569  588 588
#> 10 2023-01-10 497  497  575  587 587

  1. Chiffres simulés à partir du rapport trimestriel de l’Autorité de Régulation de Poste et de Télécommunication : ARPTC-RDC.↩︎

These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.