别愁了,预测模型这样做!


说在前面:

大家好,我是爱学习的小xiong熊妹。没错,我又加班了~

大家都知道,小熊妹最怕下班的时候被别人长长的一声“小熊妹~~”喊住,所以,这天我在收拾包包

补个妆的时候,领导又在背后喊我了

 

这次接到的任务很简单,两个字:预测。建预测模型,是件很复杂的事。领导轻飘飘一句:“做个预测看看”,不光搞得运营的小伙伴们晕头转向,也大量挤占我的煲剧时间。必须不能忍。因此,今天整理了快速预测的方法,只用excel就能搞掂哦。

 

大部分日常工作的预测,都是基于连续几个数据,比如:

■ 有今年1-5月销量,问6月销量咋样?

■ 有最近10周的新增用户,问第11周有多少?

■ 有过去30天的业绩,问今天业绩如何?

 

这种预测有个专业名词:时间序列预测。小伙伴们看到这种不要慌,即使只有几个数,也是能建模的。首先要做的,是区分数据走势。

 

常见的数据走势有三种:

■ 趋势型:连续发展的态势。

■ 躺平型:变动较少,一条直线。

■ 周期型:有规律的周期性波动。

 

直接看图,能一眼认出来是哪一种(如下图)

 

别愁了,预测模型这样做!_第1张图片                      

看个简单的例子,某互联网产品,2020年8月份上线,每月月底用户量如下表。

 

别愁了,预测模型这样做!_第2张图片

 

领导希望预测2021年6月的用户量,该如何做呢?

 

第一步:观察形态。

做出该数据的折线图,可见这是典型的趋势型(增长趋势),那么就用趋势性预测方法吧。

 

第二步:处理数据。

做新的折线图,做出该图趋势线。

 

别愁了,预测模型这样做!_第3张图片

 

第三步:选择形状。

选择合适的趋势线形状,显示公式与R平方。

 

别愁了,预测模型这样做!_第4张图片

 

这一步是很多小伙伴们最怕的一步,因为不懂这些模型和参数呀,做错了咋办。不用怕!这种几个数的短期预测,本来就不咋准。特别是,很多业务数据,比如用户量、销售额,都是跟业务努力程度挂钩的,本身就不是数据能量化预测的,所以尽管放心大胆的做。

 

这里只要掌握几个基本原则就行了:

1、选取的趋势线,和实际走势接近(不要实际往上走,趋势线却往下走)

2、R平方数值尽量接近1(习惯上不小于0.6)

 

如上图所示,如果是选择多项还可以通过调整项数,提高趋势线的R平方,让趋势线更接近实际走势形状(如下图)

 

别愁了,预测模型这样做!_第5张图片

 

第四步,预测结果。

把预测模型写进单元格,预测结果。公式出来以后,做一些小调整,直接复制出来就好了。这里选择了多项,参数为2的情况,(如下图)

 

别愁了,预测模型这样做!_第6张图片

 

这里简单解释一下公式

公式里Y就是要预测的用户量数据(因变量)

X是自变量,就是时间,X平方就是时间*时间,对应关系如下:

 

别愁了,预测模型这样做!_第7张图片

 

其实,趋势线拟合的原理,就是假设数据随着时间变化而变化,因此因变量是数据指标,而自变量就是时间,以及时间的各种形态,比如时间的平方、对数、指数等等。

 

第五步,预测未来情况。

这里有10个数据,要预测下个月的,就是第11个数据,时间是11,时间平方是121,代入公式,就能算出预测值(如下图)

 

别愁了,预测模型这样做!_第8张图片

 

这样就完成啦!多简单。

 

勤快的小伙伴,在实验这个方法的时候,会发现:很有可能好几种趋势线预测出来的结果,R平方都是接近1的,这时候该怎么选呢?

 

如果一定要纠结这个问题(我强烈建议你不要纠结这个,我们又不专业,让专业做算法的小哥哥纠结去)可以计算平均平方差(MSE),哪个方法的MSE数值小,就用哪个(如下图)

 

别愁了,预测模型这样做!_第9张图片

 

明显,2次拟合的MSE值更小,就用这个啦。

到这里,就全部做完啦。多简单。

 

这种趋势拟合(又叫趋势外推),是解决趋势型预测的非常快捷的方法。

 

其优点,包括:

1、需要的数据少,几个数也能预测

2、能模拟曲线走势,不会出现方向性错误

3、是个模型,充分满足领导对建模的憧憬

 

但缺点也是很明显的,领导一句话就能把它打败:

“那你所说,这预测的134万用户,到底是哪些渠道做出来的?”

 

很遗憾,完全说不了。因为模型只是模拟了曲线的走势,并不能解释走势是怎么来的。用数据分析的专业术语,叫:业务可解释程度差。

 

这种可解释性差,有时候会引发很严重的问题。比如小伙伴们看回上一张图,虽然2次拟合的MSE值更小,但是这个预测结果明显有问题:本来是连续10个月上涨,这个月居然变成下跌了!

 

很有可能引发领导连珠炮似的问题:

1、为什么会下跌?

2、是新增少还是流失多?

3、运营不给力还是产品体验差?

4、需要短期拉动还是长期拐点到了?

 

更加遗憾的是,模型本身更解释不了这些。所以聪(jiao)明(hua)的小伙伴,会果断放弃二次拟合的结果,用线性拟合的结果。因为这样更符合领导预期(少被人喷)。

 

那如果领导一定要解释到底新增的是从哪些渠道来的。该怎么办呢?

这时候可以利用杜邦分析法,对用户量指标做拆解(如下图)

 

别愁了,预测模型这样做!_第10张图片

 

拆解完以后,我们一个个去找对应渠道负责的同学问:

■ 亲,这个A渠道,你们6月份还做不做?

■ 亲,如果做A渠道的话,你们准备投多少?

■ 亲,A渠道过去转化率为x%,你们准备做优化不?

 

问了一堆问题以后,把收集到的信息,做一张汇总表,把下个月为什么是这么多人,解释得明明白白(如下图)

 

别愁了,预测模型这样做!_第11张图片

 

这就是大名鼎鼎的业务预测模型,这种预测模型的可解释程度就高多了,可以明明白白地讲清楚:

1、增长来自哪里

2、为什么增长这么多

3、如果不达标,还能做什么

 

但是这样的缺点也是很明显的:

1、它没有让人看不懂的算法,显得不厉害

2、需要运营的大量输入,而运营不见得想说话

3、即使运营想说,也有可能在拍脑袋,很有可能拍得不准

 

所以呢,世上没有两全法,只能看情况做预测咯。以上就是今天小熊妹整理的知识点。还差两个:躺平型与季节型,火锅已经点好了,下次再写。小伙伴们记得点赞+在看+转发,鼓励下新人哦,谢谢你啦~

你可能感兴趣的:(数据库,数据建模)