从0到1，轻松构建数据预测模型
大家好，我是爱学习的小xiong熊妹。
之前和大家分享了趋势型预测方法，很多小伙伴想看躺平型与周期型预测，今天他们来了。
首先回顾一下，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）
认清楚走势以后，就能选择对应的模型啦。
先看躺平型的例子。举例：某门店业绩数据如下图所示，请预测2021年4月的业绩：
看到这张图，很多小伙伴会直呼：这个看起来，和100000的线很像呀，就是围绕100000的线在波动，我能直接按100000去预测吗？
答：当然可以呀。躺平型只要躺的够“平”，完全可以用平均值来做预测值。还有专门的方法叫：移动平均值法，即把近N期的数据平均值，作为预测值。
不过这样做有个问题：看起来不够高大上，领导们又说：“有没有大数据算法来搞搞……”哎，就是总有人迷信这个，那就弄个看起来复杂一点的：用指数平滑法来预测。
指数平滑法预测数据模型
用指数平滑法需要调用excel的分析工具，可以点击上方的：文件→选项，在加载项中选择：分析工具箱
设置好之后，就能在上方：数据 栏目，找到数据分析按钮。点下去，就能看到各种常见的分析工具了。
第一步：做好数据处理（如下图），选择指数平滑方法
第二步：选择输入区域，设好阻尼系数
阻尼系数是啥意思？阻尼系数是一个0到1之间数字，可以简单理解成：
阻尼越大，真实值权重越小，即历史情况参照意义越小
阻尼越小，真实值权重越大，即历史情况参照意义越大
不过大家完全不用纠结这个，完全可以设好几个阻尼系数，预测出来以后，看哪个预测的MSE值越小，就信哪个！简单迅速才能下班早！（关于MSE计算方法参见上一篇）
第三步：做好几个预测值，然后看哪个MSE小。比如设阻尼系数为0.95\0.9\0.8\0.7,分别计算预测数据及MSE值如下：
看图说话，阻尼系数0.8的时候MSE值最小，就它了，搞掂！
实例
再看个季节性预测的例子。举例，某线上店铺，销售业绩走势如下图（单位：万元）如何对2021年第一季度做预测呢？
显然，店铺业绩受双11、双12大促影响明显，4季度是旺季。这种走势也不能直接用趋势线来模拟，模拟出的趋势线R平方只有0.0几，完全不能用。但是，可以通过一个小技巧，把这个数据改造成可以用趋势线模拟的形式。
第一步：先对数据做改造。改造方法如下图，通过数据处理，模拟出季节变化趋势，这种方法叫：季节多元回归。
第二步：进行回归分析。既然叫季节多元回归，自然要调用回归分析，在同样的路径：数据→数据分析里，找到回归分析方法，然后输入参数：
第三步：解读分析数据。这里又是让人脑瓜子嗡嗡的时刻。不过不要怕，对大部分非数据分析专业的小伙伴，只要看几个关键数字就好了.
从结果上看：
1、R平方0.93，很好
2、各个参数的P值，除了X1以外都很小，很好
所以模型可用。还可以把X1：时间这个变量去掉。时间变量代表了长期发展趋势，本身这个数据几个周期也没有很大长期增长，所以去掉也是情理之中的。
有小伙伴可能好奇，做出来的模型为啥系数都是负的，真的没问题吗。没有，注意这个数据本身就是Q4数值很大，那Q1、Q2、Q3的参数肯定就是负的了。
这样就做完啦。想预测下个季度，可以增加一行：2021年1季度，对应的参数，t是21，Q1=1，Q2，Q3都是0，然后代入公式即可。这里留给读者们自己试一下。
总结
以上就是今天整理的简单预测方法。其实真只有几个数字要预测的话，即使丢给专业的算法工程师，他也是这么算的。我就亲眼看见隔壁算法组小哥哥，打开excel拖了几下，然后回个邮件给商品运营组的领导，说：“这是大数据方法预测的，blabla……”那一刻我整个人都震惊了，点赞、收藏、转发一键三连！
可能看完后，还有小伙伴会疑惑：领导们那么喜欢“建模”，他们真的不懂吗。其实这一点我还挺幸运的，因为我之前的领导就是接地气的陈老师，他会把客户的各种奇葩想法挡在门外，所以很少被不懂行的领导折腾。现在在互联网某厂，有专门的算法组处理这些问题，也很少被纠结了。
从我接触的客户/同事来看，还真的是：懂行的不迷信，迷信的不懂行。所以为了早点下班，用一些看似高大上实则轻松快捷的方法还是很有必要的。混过关就好。
小伙伴们自己掌握方法以后，也不用再纠结啦。遇到这些小问题打开excel拖一拖，我们这些查数姑们也能早点下班呢。毕竟拒绝内卷，从我做起，大家一起努力哦。
Python十份资料领取！
别愁了，预测模型这样做！
扫码关注码工小熊
和码工码农们一起搞事情！