如何經過數據分析作到科學預測？

對於將來不肯定的事物，你們都習慣於用以往經驗來預測。而在這個快速發展的時代，依靠經驗來預測到底準不許呢？

預測就是常說的預先推測和測定，它的目的不是爲預測而預測，而是用來指導人類的各項行爲決策，以避免人在決策時由於對將來的不肯定而產生擔心。不少人對預測多采用根據經驗推測，這種方法雖然簡單方便，但缺少理論依據，並且具備主觀性。最終結果是致使預測反映的是我的意願，而非現實狀況。

阿溫那什•考希克（Avinash Kaushik）是數字營銷與分析方面的專家，他曾在博文《奧卡姆剃刀》中寫道：「你我對消費者的需求作預測，有80%的時候都是錯的。」

遺憾的是，那些對統計基準預測進行人爲操控的人卻感受經過使用本身的判斷可以提高預測的準確率。經過研究發現，當預測人員提升預測值時，他們幾乎都是錯誤的，由於他們過於樂觀，反而致使預測的準確率更低。相反，當預測人員下降預測值時，因爲更爲保守，因此每每反而能提升預測準確率。總的來講，影響預測結果上升或降低的細微變化對預測準確度幾乎沒有影響，這種行爲純粹是浪費時間。那麼怎樣用科學方法進行預測呢？

咱們能夠基於數據和分析，利用業務知識對將來進行預測。隨着計算機技術和網絡技術的發展，大數據技術深刻到各行各業。從海量數據中挖掘具備潛在價值的關係、趨勢和模式，構建預測模型、作出預測分析是必然趨勢。經過數據實現預測能夠幫助企業發現市場機會，作出科學的經營決策。

科學的預測離不開數據，數據離不開預測方法，目前的預測方法大體分爲以下類：

定性預測法

主要依賴於人的主觀判斷。當可供參考的歷史數據不多時，採用定性預測方法最合適。

時間序列預測法

運用歷史數據對將來進行預測，它尤爲適用於每一年基本模式變化不大的場景。

因果關係預測法

假定需求預測與某些因素相關，因果關係預測法能夠找到這些因素與需求的關聯性，經過預測這些外界因素的變化來預測將來。

仿真法

模擬模型容許預測人員對預測的條件做必定程度的假設。

科學的預測需經歷肯定需求—獲取數據—分析數據—創建模型—預測將來—支持決策。

先要肯定預測的對象、目標和範圍，這裏的範圍包括地理範圍和時間範圍。收集所需的數據，對數據進行預處理，同時分析數據的週期性、季節性、趨勢性和隨機性。選擇預測方法創建模型，同時要確認模型對預測是否有效。根據前面的數據信息和預測模型對預測對象作出合理的預測。經過預測結果，可爲即將到來的事物制定決策，以完成預測的目標。

接下來舉一個簡單的例子，假如要求你對公司某款產品將來幾個月銷售量等進行預測，且這些被預測變量具備增加趨勢，公司可能會根據你的預測結果，進行戰略調整和佈局，那麼如何進行預測呢？可使用時間序列預測。

示例數據以下：

對銷售數據進行探索分析，商品每個月銷售量的分佈圖：

商品在各省銷售量的分佈圖：

商品型號在各省銷售量的分佈圖：

利用Python得到數據的基本信息以下：

從上面可知數據量爲218618條，沒有缺失值，所以不須要進行缺失值處理。接下來，須要統計每個月產品的銷售量，而後選擇時間序列的方法進行預測，在進行時間序列分析前需分析數據的穩定性，將不穩定的數據利用差分的方法進行穩定處理，同時將數據分解，以分析數據的週期性、季節性、趨勢性和隨機性，具體細節這裏再也不贅述。本文選擇的是基於python 的SARIMAX的方法。SARIMAX是以差分整合移動平均自迴歸模型（ARIMA）爲基礎在添加Seasonal季節性、週期性和eXogenous外部因素。生成的模型概況以下：

利用模型預測將來幾個月的結果圖以下：

結束語

在當前的數字經濟時代，自覺得是一定失敗。利用數據結合業務知識，使用通過驗證的分析，而不是靠純粹的直覺判斷。運用科學的方法，分析和預見其發展趨勢，掌握市場變化的規律，提升管理的科學水平，減小決策的盲目性，減小將來的不肯定性，下降決策可能遇到的風險，由此決策目標才能得以順利實現。