Aan de slag met Qlik Predict: tijdreeksen voorspellen

De toekomst voorspellen, wie wil dat nou niet? In de eerste drie delen van deze blogserie hebben we stap voor stap uitgelegd hoe je met Qlik Predict (voorheen AutoML) voorspelmodellen kunt maken. We begonnen bij feature engineering, waarin we lieten zien hoe je jouw dataset kunt verrijken met slimme kenmerken. Daarna doken we in modelselectie, waarbij we bespraken hoe je het beste algoritme kiest voor jouw probleem. In deel drie hebben we uitgelegd hoe je een getraind model operationaliseert en inzet in dashboards en processen. Tot nu toe hebben we gewerkt met drie probleemklassen: binaire classificatie, meervoudige classificatie en regressie. Maar sinds oktober 2025 is er een nieuwe speler op het veld: multivariate tijdreeksvoorspellingen. In dit blog nemen we je mee in deze nieuwe functionaliteit en laten we zien hoe je trends en patronen kunt gebruiken om vooruit te kijken.

Wat is een tijdreeks

Voordat we in de techniek duiken, is het belangrijk om te begrijpen wat we bedoelen met een tijdreeks. Een tijdreeks is een reeks waarnemingen die in de tijd geordend zijn. Denk bijvoorbeeld aan het aantal verkopen per dag in een winkel. Op het eerste gezicht lijkt dat eenvoudig: je telt elke dag hoeveel producten er over de toonbank gaan. Maar kijk je wat verder, dan zie je dat die cijfers niet op zichzelf staan. Het aantal verkopen op een dag wordt beïnvloed door allerlei factoren: het weer, het seizoen, feestdagen, en natuurlijk acties en promoties.

Op een zonnige dag worden er meer ijsjes verkocht, terwijl regenachtige dagen juist paraplu’s populair maken. Rond Kerst stijgt de vraag naar luxeproducten, terwijl in januari juist de uitverkoopdrukte heerst. Dit soort patronen noemen we seizoensinvloeden.

Daarnaast zien we vaak trends: een product dat langzaam populairder wordt, of juist steeds minder wordt verkocht. Soms is er sprake van een cyclus, zoals terugkerende pieken in het weekend. Deze volgordelijkheid en patronen stellen ons in staat om niet alleen terug te kijken en de aantallen verkopen te verklaren, maar ook om vooruit te voorspellen. Hoe meer we begrijpen van deze dynamiek, hoe beter we kunnen anticiperen op wat komen gaat.

Enkelvoudige tijdreeksen voorspellen in Qlik

Tijdreeksen voorspellen was al langer mogelijk in Qlik Sense, via het line chart object in Qlik Cloud. Om een tijdreeksvoorspelling te maken moet je grafiek aan een drietal voorwaarden voldoen:

• Je hebt precies één meetwaarde en één dimensie
• De dimensionele waarde is numeriek of een tijdsinterval
• De dimensionele as is geconfigureerd als continu

Stel je hebt een grafiek met de omzet per dag. Zodra je de dimensie instelt op een continue tijdas en één expressie toevoegt (bijvoorbeeld omzet), kun je forecasting activeren.

Zodra je de forecast aanzet krijg je de keuze uit 2 voorspelmethodes: SSA (Singular Spectrum Analysis) of OLS (Ordinary Least Squares). De meest eenvoudige van de 2 is OLS. Kort gezegd komt OLS erop neer dat je een rechte lijn door alle punten in je grafiek heen trekt om de volgende punten te voorspellen. Deze methode is vooral geschikt voor het voorspellen van datasets die een relatief linear verloop kennen. OLS kan je dan ook al gebruiken wanneer je grafiek 2 punten bevat, maar geeft eigenlijk niet zo’n hele goede voorspelling als jouw data bijvoorbeeld seizoens-patronen kent.

Een wat intelligentere voorspelling is de SSA. Het SSA-algoritme splitst de lijn in de grafiek op in korte stukjes. Voor elk van deze stukjes bepaalt hij 3 componenten: de trend, verschillende cycli en ruis. Op basis van die 3 componenten stelt SSA een nieuwe lijn op die zo goed mogelijk deze patronen gebruikt om de volgende waarden te voorspellen. Deze methodiek is dan ook een stuk beter in staat om met seizoens-patronen om te gaan. Nadeel is wel dat je meer punten nodig hebt. Je kan de SSA activeren met ten minste 6 punten, maar hoe meer punten je hebt hoe beter de voorspelling zal zijn. Daarnaast heb je bij SSA de mogelijkheid om een zogeheten betrouwbaarheidsinterval te tonen. Zet je deze optie aan, dan krijg je een bandbreedte te zien om je lijn heen. Stel het betrouwbaarheidsinterval in op 0.95, dan zal in 95% van de gevallen de toekomstige waarde tussen de boven- en ondergrens van de bandbreedte vallen.

Multivariate tijdreeksen voorspellen met Qlik Predict

Maar wat als je meer wilt dan een simpele trendlijn? Stel je wilt niet alleen weten hoeveel je morgen verkoopt, maar ook rekening houden met factoren zoals promoties, winkellocaties en productgroepen. Dan heb je een multivariaat tijdreeksmodel nodig. Het maken van zo’n multivariaat tijdreeksmodel kan dus tegenwoordig met Qlik Predict. Het proces lijkt op wat je gewend bent van andere probleemklassen, maar met een paar specifieke stappen.

Je begint met het kiezen van je dataset en selecteert de target: de kolom die je wilt voorspellen, bijvoorbeeld ‘Aantal verkopen’. Vervolgens geef je aan welke kolom de Date index bevat, zodat Qlik weet wat de tijdseenheid is.

Daarna definieer je groepen, zoals winkellocaties of productcategorieën. Deze helpen het model om patronen per segment te leren. Door een goede set van groepen te kiezen maak je niet alleen het voorspelmodel intelligenter, het zorgt er ook voor dat je straks met selecties ook eenvoudig deelvoorspellingen kan maken voor specifieke winkellocaties.

Vervolgens voeg je future features toe: variabelen die invloed hebben op toekomstige waarden. zoals geplande promoties of feestdagen. Denk aan ons voorbeeld: als je weet dat er volgende week een kortingsactie is, wil je dat het model die informatie meeneemt.

Stel voor de tijdreeks in welk veld de datum bevat
en welke groepen en voorspellende velden de dataset kent

Dan stel je de forecast horizon in: hoeveel stappen vooruit wil je voorspellen? En de forecast gap size: vanaf hoeveel dagen na de laatste waarneming start de voorspelling? Tot slot kies je de algoritmes die je wilt trainen. Net als bij classificatie en regressie kun je meerdere modellen laten draaien en later vergelijken.

Zodra je deze instellingen hebt gedaan loopt het proces zoals je gewend bent van Qlik Predict. Door op “Run experiment” te klikken geef je Qlik het startsein om met alle gekozen algoritmes voorspelmodellen te trainen.

Het forecast window en de forecast gap geven aan vanaf
welke datum en hoeveel dagen je vooruit wil voorspellen

Het juiste model kiezen

Als je experiment klaar is, krijg je een overzicht van de prestaties per model. Uiteraard biedt Qlik hiervoor verschillende meetwaarden, waarvan MAE (Mean Absolute Error) en MASE (Mean Absolute Scaled Error) de belangrijkste zijn.

MAE is eenvoudig: per punt berekent Qlik de gemiddelde afwijking tussen voorspelling en werkelijkheid. Hoe lager, hoe beter. Het nadeel van MAE is dat deze afwijking gevoelig is voor de schaal. Een fout van 10 stuks is misschien verwaarloosbaar als je 10.000 producten verkoopt, maar enorm als je er maar 50 verkoopt.

Om dit op te lossen is er de MASE. Om de MASE te berekenen, wordt er een fictieve tweede voorspelling gedaan, een zogeheten “naïeve voorspelling”. Deze naïeve voorspelling pakt voor elke volgende stap de waarde van de stap daarvoor, oftewel “voorspel gewoon hetzelfde getal als gisteren”. De MASE wordt vervolgens uitgerekend door de MAE te delen door de MAE van de naïeve voorspelling.

Naast de nauwkeurigheid van het model is ook de snelheid van de voorspelling relevant. Als je een binair classificatie model hebt getraind, kan je een nieuwe voorspelling genereren op basis van 1 waarneming, maar bij tijdreeksen zal je altijd een serie aan waarnemingen moeten meegeven voor een goede voorspelling. Dat betekent dat er een stuk meer gerekend moet worden voor een nieuwe voorspelling. Wil je een interactief dashboard maken met bijvoorbeeld een “wat-als” analyse, dan kan het slim zijn om een iets sneller maar minder accuraat model te kiezen boven een langzamer maar iets accurater model.

Op basis van de settings vertelt Qlik welk model de beste voorspelling kan genereren

Tot slot

Tijdreeksvoorspellingen openen een wereld aan mogelijkheden. Of je nu wilt anticiperen op drukte in je winkels, energieverbruik wilt plannen of voorraadniveaus wilt optimaliseren: Qlik Predict maakt het eenvoudig om complexe patronen te modelleren en om te zetten in actie. Meer weten? Of wil je Qlik Predict graag eens in actie zien? Neem dan contact met ons op.

Contact opnemen

Geschreven door Lennaert van den Brink
Cluster Manager/Senior BI Consultant