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）

 

                      

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。

 

 

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。

 

 

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。

 

 

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）

 

 

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）

 

 

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：

 

 

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）

 

 

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）

 

 

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）

 

 

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）

 

 

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~