时间: 2021-08-03 08:22:55 人气: 9 评论: 0
编辑导语：做运营的同学是不是也**头疼预测这件事？作者分享了自己的一些做预测的小技巧，期待能与你学习交流。
大家好，我是爱学习的小熊妹。
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：
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：
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？
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。
做新的折线图，做出该图趋势线。
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：
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，也就是时间，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。
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，**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：
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**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：
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，**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：
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：
但是这样的缺点也是很明显的：
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。
作者：码工小熊，微信公众号：码工小熊
本文由 @码工小熊 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于CC0协议
