預測——數(shù)據(jù)分析的終極目標
預測是數(shù)據(jù)分析的終極目的
預測的必要性和誤差的必然性
經(jīng)驗預測法
類比預測法
慣性法與時間序列分析
邏輯關系預測法
1.5?慣性法與時間序列分析
慣性預測法是根據(jù)事物發(fā)展的慣性進行預測，其中最典型的就是趨勢分析。炒股的人除要看基本的股指點數(shù)外，還要看趨勢線，并根據(jù)趨勢線來判斷什么地方是拐點等。
例如為了跟蹤股票價格的變化趨勢，我們會使用10日均線、20日均線、30日均線和60日均線（見下圖），根據(jù)均線之間的變換我們可以判別股票價格的短線行情和長線行情，這些都是根據(jù)慣性來預測股票價格未來發(fā)展規(guī)律的方法。
（股票行情圖）
本質(zhì)上，慣性只存在于信息不對稱的領域，在信息足夠對稱的情況下，大家轉向的風向一致，那么股票價格就不會有這樣的波動圖形。在信息不對稱的環(huán)境下，以信息謀取利潤的行業(yè)就會有更多的暴利。如果信息已經(jīng)充分對稱了，那么以信息謀取利潤的行業(yè)就會消失。未來商品的價格會越來越透明，根據(jù)信息不對稱來銷售商品的公司會倒閉，例如天貓就會出現(xiàn)問題。而京東則依靠強大的配送能力，將電商公司做成物流公司。物流是可以增值的，例如一件商品在天貓上賣8元，但用戶需要等待3～4天才能收到貨，而京東賣8.4元，并且用戶上午下訂單，下午就能夠收到貨，在這種情況下，用戶覺得多花4毛錢是值得的。這是京東在有天貓這么強大的競爭對手的情況下依然能夠生存的根本原因。同時天貓的菜鳥速遞應該是應對這個問題的，如果它能做起來就有打敗京東的優(yōu)勢，就能夠成功，否則天貓很難突破。
時間序列分析模型是最典型的慣性分析法，其本質(zhì)就是探尋一個事物的數(shù)量化指標隨著時間變化的規(guī)律。如果事物完全按照時間順序發(fā)展，則一定會按照一定的規(guī)律繼續(xù)發(fā)展下去，如果是向上的趨勢，就會繼續(xù)向上發(fā)展；如果是向下的趨勢，就會繼續(xù)向下發(fā)展；如果存在周期性，就會按照周期性的規(guī)律發(fā)展；如果具有循環(huán)往復的特征，就會按照循環(huán)往復的特征發(fā)展下去。
從上面的描述中可以看出時間序列模型最本質(zhì)的局限：忽略了現(xiàn)在的變化影響因素。即如果事物過去都是向上發(fā)展的，則時間序列認為事物還會繼續(xù)向上發(fā)展，但因為某些特殊的原因，出現(xiàn)了下滑，則這個因素不予考慮，會認為是誤差或者受隨機因素的影響；如果是向下趨勢則也是如此。
時間序列模型有多種類型，這些類型的分類是從事物變化是否具有規(guī)律性來評價的。如果事物的變化很有規(guī)律性，而隨機影響（白噪聲）較小，則可以通過慣性預測法對事物的變化進行預測；如果事物變化是有規(guī)律的，但噪聲過大，容易掩蓋事物自身的規(guī)律，這個時候慣性預測法就不太適用了。噪聲大小是我們是否可以使用慣性預測法來預測的非常重要的因素，噪聲大，規(guī)律就容易被掩蓋，噪聲小，我們可以通過消除噪聲來發(fā)現(xiàn)事物的規(guī)律，如下圖所示。
我們對事物變化規(guī)律的認知其實很有限。一般來說，在利用慣性法探測事物變化規(guī)律時，我們能夠掌握三種變化規(guī)律的探測，分別是季節(jié)性（Seasonal）、周期性（Cyclical）、趨勢性（Trend）。季節(jié)性是與時間有關系的變化規(guī)律，例如夏天喝冷飲、啤酒的人多，而冬天喝冷飲、啤酒的人少，這就是我們常說的季節(jié)性；周期性是與變量取值有關系的，盛極而衰，觸底反彈，當取值達到某一臨界值的時候，就會反彈，周而復始地變化；趨勢性是隨著時間呈現(xiàn)增長或者下降的趨勢，這個趨勢可能是線性的，也可能是冪級增長或者指數(shù)增長的，或者更加復雜的趨勢。加上受隨機因素影響的不規(guī)則變化（Irregular），我們可以構建一個TSCI的數(shù)學模型，根據(jù)具體情況這個模型還分成“乘法模型”和“加法模型”，乘法模型認為這四種因素是相互影響的，彼此有放大作用的；而加法模型則是假設這四種因素對事物變化的影響是孤立的，效果只是簡單的疊加。具體哪種情況適用，可以在分析的時候通過嘗試來完成。
除常規(guī)使用的TSCI模型外，時間序列是一個非常大的數(shù)據(jù)模型分支，幾十種算法在數(shù)學家們的研究下得以推廣使用，我們常用的SPSS軟件本身就提供了數(shù)十種時間序列的算法模型，而且隨著計算機計算能力提升和SPSS版本的升級，SPSS還給出了一個功能，就是系統(tǒng)自動使用所有算法遍歷計算一遍，然后根據(jù)預測的效果，向我們推薦幾個時間序列預測算法模型。SPSS的這種遍歷擇優(yōu)的方式大大減輕了數(shù)據(jù)分析師的腦力負擔。
1.6?邏輯關系預測法
邏輯關系預測法從預測的角度來看是最簡單的方法，但從算法探索的角度來看則是最難的方法。兩個事物為什么會相關，其背后的邏輯是什么，一直困擾著數(shù)據(jù)分析師們。
沃爾瑪說，在美國買紙尿褲的一般都是老爸，他們喜歡喝啤酒，在給孩子買紙尿褲的時候會順便買一些啤酒，所以紙尿褲會和啤酒的銷售量有較大的相關性。但是這個相關性是否站得住腳，是否有足夠的邏輯解釋，還是需要數(shù)據(jù)的支持，沒有數(shù)據(jù)的完美論證，數(shù)據(jù)分析師都應持有懷疑的態(tài)度。經(jīng)過多方查證，這只是書中的一個案例，并非實際發(fā)生的。
在邏輯關系方面，我們可以用各種模型來解讀數(shù)據(jù)，需要不斷嘗試才能找到一個最佳的邏輯關系。有些邏輯關系只在某些特殊的情境下才成立，而在其他的情景下就不會成立了。我們在分析啤酒和尿布的關系時發(fā)現(xiàn)，賣出10片尿布就會賣出3聽啤酒，這種關系可能只存在美國的某個城市中。因為在這個城市中兒童的出生率是一定的，喝啤酒的爸爸的比率也是一定的，而爸爸喝酒的量也有一個相對穩(wěn)定的值，所以才會得出10:3的比例，這個比例在其他城市中可能就會不同了。所以，任何一個邏輯關系被發(fā)現(xiàn)后都要根據(jù)“此情此景此數(shù)”去思考，即為什么會有這個現(xiàn)象，這個現(xiàn)象是不是能夠復制到其他的情境下，數(shù)據(jù)分析必須有足夠的敏感性。
我們最常用的邏輯關系是線性回歸關系，即構筑像Y=aX+b這樣的關系。但在商業(yè)經(jīng)濟環(huán)境中，這個公式在某個階段成立，當?shù)竭_另外一個階段時，同樣是線性關系，但a和b的值都會發(fā)生變化，這與情景有關系。
就如廣告和銷售額之間的關系，當廣告打得過多時反而會引起消費者的反感，從而影響產(chǎn)品的銷售。如果不注意調(diào)整廣告的頻率，那么我們在花費更多的錢后，廣告效果反而呈現(xiàn)下降的趨勢。
例如，我們在研究投入和產(chǎn)出關系的時候，發(fā)現(xiàn)前期投入與產(chǎn)出呈現(xiàn)正相關關系，是一個線性回歸的關系，當投入增加時，產(chǎn)出效益遞減，邊際效應顯現(xiàn)，到了后期，前期投入與產(chǎn)出呈現(xiàn)邏輯回歸的S曲線模型。不同時期適用不同的模型，我們需要通過深度研究找到事物發(fā)展的規(guī)律，然后再在不同的歷史時期選擇不同的數(shù)學模型來分析，并在過程中不斷驗證，確保數(shù)學模型能夠滿足管理需要。如果發(fā)現(xiàn)不匹配，則需要馬上更新數(shù)學模型。
邏輯關系的數(shù)學模型不是一成不變的，它會隨著時間、市場狀況的變化而變化。在廣告投放效益模型開發(fā)的過程中，我們發(fā)現(xiàn)了上述的規(guī)律。其中第一階段，因為幾乎所有的消費者都沒有聽說過這個品牌，多一個傳播接觸點，就會多一個購買可能性，在購買可能性一致的情況下，我們發(fā)現(xiàn)這個品牌產(chǎn)品的銷售額隨著廣告的增多在不斷增長，呈線性關系。
但是當更多的人知道這個產(chǎn)品之后，一部分的廣告因為傳播給了那些已經(jīng)知道并嘗試過產(chǎn)品的消費者而被浪費了，那些多次聽過廣告的人并沒有試圖購買更多的產(chǎn)品，所以呈現(xiàn)邊際效應線性遞減。
到了后期，廣告仍然在投放，有的消費者覺得受到了騷擾，開始對廣告產(chǎn)生了抵觸情緒，投放的廣告越多，消費者受到的影響越大，所以呈現(xiàn)出一種廣告投放越多銷量越低的現(xiàn)象。這個時候廠家應該及時停止投放廣告，選擇沉寂一段時間。
每個邏輯規(guī)律都有其成立的條件。在廣告投放初期構建的模型，不見得適合中期和后期；在品牌知名度非常低的時候，廣告與銷售額的關系會被弱化，邊際效應顯現(xiàn)；與當公司品牌已經(jīng)非常強大時，廣告本應該承擔一個提醒功能，這個時候如果還是采用說服式廣告就非常不妥了，消費者會覺得這是“忽悠”，其自我保護機制顯現(xiàn)，導致銷量不再增加，反而出現(xiàn)負增長。
全文摘自《企業(yè)經(jīng)營數(shù)據(jù)分析-思路、方法、應用與工具》趙興峰著
該文轉載已取得作者認可
版權說明：版權所有歸明悅數(shù)據(jù)所有,如需轉載請聯(lián)系我們，我們將在第一時間處理，或請注明內(nèi)容出處（《企業(yè)經(jīng)營數(shù)據(jù)分析》趙興峰著），非常感謝！【往期內(nèi)容已在（明悅數(shù)據(jù)）公眾號同步發(fā)布】
