最佳预测方法

在与这篇文章的数十位专家交谈时，我清楚了一件事：对于什么方法是“最好的”还没有达成共识。根据您的最终目标、您的行业、您可用的数据等等，这些选项差别很大。这也很大程度上取决于您的选择。

话虽这么说，这里有一些可能对您有帮助的顶部。

1.时间序列分析

时间序列分析广泛用于识别历史数据中的趋势和季节性；它是预测领域的重量级人物。我采访过的许多专家都使用时间序列作为他们的方法之一。

Groomsday 的 Bajda 解释道：“时间序列分析对于经历季节性高峰和低谷的企业（例如零售业）特别有用。”此方法有助于跟踪周期性模式，使企业能够根据预期的需求变化优化库存和营销策略。

下面我解释一下时间序列分析的具体类型。

移动平均线

这就像测量您的企业随时间变化的温度 - 它可以消除短期波动以显示真实趋势。

这是一个简单的例子：

第一季度销售额：100,000 美元

第二季度销售额：120,000 美元

第三季度销售额：110,000 美元

第四季度预测 = (100,000 美元 + 120,000 美元 + 110,000 美元) / 3 = 110,000 美元

指数平滑

指数平滑就像您企业的短期记忆。正如您会比去年更清楚地记得上周发生的事情一样，这种方法会更加重视最近发生的事件。

这是一个现实世界的场景：假设我在市中心经营一家午餐店。我的销售可能如下所示：

周一：2,000 美元

周二：2,200 美元

周三：$1,800（意外下雨）

周四：2,300 美元

周五：2,500 美元

简单平均来说，我每天赚 2,160 美元。但指数平滑可能预测下周一接近 2,400 美元，因为：

更加强调周四/周五强势的 nu琥珀。 认为周三下雨是个异常值。 发现轻微上升趋势。 ARIMA 模型

自回归综合移动平均线 (ARIMA) 就像拥有一位能够发现复杂模式的大师级分析师。虽然指数平滑对于清晰的趋势非常有用，但 ARIMA 在事情变得混乱时会大放异彩。

这就是它强大的原因。假设我经营一家在线健身器材商店：

一月开始强劲（新年决心）。 二月份销量下降。 三月出现小幅增长（春季健身推动）。 夏天很稳定。 九月再次出现高峰（恢复正常季节）。

ARIMA 可以处理所有这些模式，此外：

过去事件的挥之不去的影响（例如病毒式传播的 TikTok 视频如何在数周内促进销量增长）。 多种季节性模式（每日、每周和每年周期）。 不规则但可预测的波动。 2. 机器学习模型

机器学习通过发现人类可能错过的复杂模式改变了预测。 分享combi 令人信服的成果用传统方法训练人工智能。

他们的数据显示，人工智能模型发现企业用户采用率环比增长 28%，而销售团队的见解显示，金融服务公司集成 API 的速度比其他行业快三倍，这是纯数据分析忽略的关键模式。< /p>

他们也是我上面提到的公司，在使用综合预测而不是仅使用管道数据时，收入增加了三分之一。

现代机器学习方法包括：

神经网络：识别客户行为中的隐藏模式。 随机森林：分析行业、公司规模和使用模式等多个变量。 梯度提升：通过学习过去的预测，随着时间的推移提高预测准确性。 3. 场景规划

在 B2B 领域，单笔交易可以决定一个季度的成败，情景规划至关重要。这种方法可以帮助您为不同的可能的未来做好准备，而不是押注于单一的预测。

“如果我们要宣传季节性活动的视频，例如黑色星期五，我们会​​根据不同的预算分配、参与度和广告投放策略创建多种结果场景。这样，我们就可以根据需要进行调整”，首席增长策略师解释道。

这是一个例子：

保守案例

- 只处理 90% 以上的概率。

- 追加销售收入最小。

- 标准流失率。

基本案例

- 交易概率超过 70%。

- 历史追加销售率。

- 正常市场状况。

正面案例

- 额外的伸展机会。

- 加快交易速度。

- 新产品采用。

4. 情感分析

了解客户反馈的更深层背景与跟踪渠道指标一样有价值。情绪分析超越了基本的满意度评分，揭示了客户行为和市场方向中有意义的模式。

例如，合并从客户评论、社交媒体评论以及预测过程中的直接互动中获取反馈。

“我们关注客户使用的词语、他们提到的好处或效果，甚至他们分享的任何担忧。如果我们注意到人们谈论压力增加或渴望放松的趋势，这会引导我们预测[对某些产品]的更高需求，”Kratom Earth 营销策略主管说道。

“这使我们能够围绕实际的客户情绪和需求来规划库存和营销工作，我们认为这是非常准确的。”

如何选择正确的预测技术

为了说明如何完成决策过程，我将使用一个虚构的例子。我们称她为汉娜，她经营一家在线宠物用品商店。她的订单量从每月 100 份增加到 1,000 份，现在她面临着一些阻力。

“我正在努力预测需求。上个月，我最畅销的猫粮用完了。这一个月前，我不得不对多余的狗玩具打折。一定有比猜测更好的方法！”

1. 盘点您的可用数据。

首先问问自己，您可以访问哪些数据？大多数企业掌握的有用信息比他们意识到的要多。 （P.S. 这是非常有帮助的地方！）

这可能包括：

Shopify 销售历史记录。 采购订单记录。 客户评价。 电子邮件营销指标。 社交媒体参与度。

在汉娜对数据的评估中，她可能会发现猫产品占她收入的 45%，狗占 40%，其他宠物占 15%。在她的业务中，她还看到了导致她的产品激增的季节性趋势，例如万圣节前后的宠物服装和圣诞节前后的新宠物用品。

专业提示：“如果您拥有丰富的数据历史记录，时间序列等方法可以揭示强大的模式，”Badja 建议。对于经历快速转变的行业，机器学习模型不断升级基于新数据的日期更适合捕获实时变化。

2. 从业务模式中连接趋势。

下一步是超越数据——找到连接点的方法。

在汉娜的例子中，她可能会问自己：

“为什么某些产品卖光了，而另一些产品却留在货架上？” “假期如何影响不同的产品类别？” “是什么导致某些物品出现随机峰值？”

通过仔细观察过去几个月的模式，您可能会发现一些关键趋势。例如，汉娜可能会发现 90% 的客户每六周重新订购一次，电子邮件促销后销售额激增，而且天气不会影响销售额。

所有这些发现都有助于深入了解客户的购买模式以及如何更好地进行预测。

3. 选择您的方法。

现在是有趣的部分 - 选择您的预测方法。让我们通过汉娜的视角来看看不同的方法。

例如，如果哈nnah 计算了过去几个月的简单平均值，但她最终不会得到任何可以用来预测未来的结果。

简单移动平均线

过去 3 个月的销售额：

一月：800 份订单 2月：900份订单 3月：1,000份订单 基本预测：(800 + 900 + 1,000) / 3 = 900 订单

但是，多因素方法可以更好地解释她的业务增长率和季节性模式。

产品预测=

（基本平均值）

×（生长因子）

×（季节因素）

×（营销影响）

优质猫粮示例：

基本平均数：302 单位

生长因子：1.15

季节性因素：1.0（非季节性）

营销因素：1.2（已计划电子邮件营销活动）

6 月预测 = 302 × 1.15 × 1.0 × 1.2 = 416 单位

专业提示：确保您同时考虑定性和定量数据。

4. 利用短期和长期预测。

首先根据您的具体情况进行规划c 业务。拿一张纸画三栏：本月、本季度和今年。

例如，如果您经营一家软件公司，您最关心的问题可能是客户流失率，而您的季度视图重点关注新功能的发布，而您的年度视图则考虑市场扩张。零售企业可能会在短期内跟踪每日库存、每季度的季节性趋势以及每年的商店扩张。

专业提示：“不要根据过去的成功进行预测，”. 的创始人说道。你必须考虑不确定性。营销不断变化——新的竞争对手、客户行为和联盟营销趋势可能会扰乱您的模式。”