400-803-8660 Mon. - Fri. 10:00-22:00

别愁了,预测模型这样做!

别愁了,预测模型这样做!

640.gif

图片


文章来源|码工小熊 

作者|小熊妹



大家好,我是爱学习的xiong熊妹


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。
 
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。


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)


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)


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:


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)


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)


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。


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


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)


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)
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。