业务咨询: Allen 肖明 13788992981

欧洲杯app分享

疫情没法被预测,但它可以

如何高效预测市场发展趋势

发表日期:2022-05-27

在日常生活中,是否有过对事件未来发展趋势预测的想法?好奇某些事物的未来走向?而在工作中,不少打工人会遇到老板让分析数据趋势,做个预测啥的。

有木有「中招」?

p>做预测这事靠谱吗?说实话,不怎么靠谱——这个世界最大的确定就是不确定性。但架不住有需求啊,人们总在寻求掌控、寻求小确幸,而且这个需求有时还真就挺「刚需」的。那今天我们就针对其中一类可做的简单情况,聊一聊如何通过历史数据做出定量趋势预测这个话题。

当我们预估 ( 或认为可以假设 ) 在一定时间范围内,不发生黑天鹅事件、变革性事件的前提下,我们想要知道某件事的发展在数据上呈现怎样的趋势时,有的可以通过从因果的角度,以驱动及制约因素建模进行预测;有的可以基于数据走势采取拟合的方式进行预测。对于后者就是我们今天要探讨的最简单的一类预测。

这类预测经常采用的方法有移动算术平均法、 指数滑动平均法、回归分析法、时间序列、灰色预测模型等。

举个例子:某品牌市场部根据已知的该品类整个市场过去的总体销售额情况,想对未来该品类市场销售规模进行一个预测,希望得到未来 2 年的销售额大概数值和走向 ( 当然,做这类预测,首要前提是预估或假设外在影响条件不变,只考虑系统内扰动 ) 。

2012 年至 2019 年的销售额数据具体如下:

单位:千万元

因为只有年份和销售额的数据,品牌需要做趋势分析,我们可以采取回归的方法帮助品牌完成这次预测。根据已有的数据,通过线性回归分析,得到相应的结果如下:

单位:千万元

从结果来看,选用回归来预测的话,误差率相对较大,这其中可能是受到诸如商品价格上涨、其他品牌的异军突起、疫情的突发等不确定因素的影响,使得实际销售额与预测值产生一定的偏差。撇开疫情等外部因素不谈,隐藏在内部数据的因素,是我们无法仅仅从所得的数据中得到的,也就不可能纳入相关预测分析中。同时,已有数据较少也可能影响预测结果的精确性。如果就选用这个方法的话,所得到的结果就不尽人意 ( 尽管这样的做法会被经常采用 ) 。那在这种情况下,我们该怎么办呢?如何处理呢?有没有更好的解决方法呢?

答案是肯定的,我们考虑了另一种同样不复杂定量趋势预测方法:灰色预测模型[1]在不改变预算进行复杂建模的情况下就可以有效避免因已有数据较少而对预测结果产生的影响。灰色预测模型可以根据事物发展规律的变化进行相应的预测,这其中便包含了对销售额的影响因素 ( 简单地理解就是可以忽略不计 ) 。

我们采用灰色预测模型 GM ( 1,1 ) 单序列灰色模型 ( 灰色模型种类较多 ) 来进行预测。如果感到好奇想要具体了解一下建模步骤,可以看看本文结尾案例分享。我们先来看看得到的结果,具体如下:

单位:千万元

从结果来看,灰色预测模型预测预测结果与实际值更为接近,它的相对误差率相较回归预测而言较低,降低了误差率,模型精度较大,对短期的预测相对比较准确。对数据要求较少,不要求数据量足够多和数据需要呈现正态分布或是其他的形式。对这类预测而言,也算是一种较为简单,可操作性强的预测方法。

将这两种不同预测结果对比来看,他们的预测其实结果均与实际值产生了一定的偏差。灰色预测模型的预测结果较传统的回归方法预测结果而言,相对误差率有所减少,降低了 1.75%,即在回归方法的预测结果上提高了 26% 的准确率。这虽然可能只是数据上的一次小小的提高,但是对于我们的预测结果而言,却是一步大大的改进,使得模型预测的数据更为精准,距离实际的数据更接近、更准确。对品牌来讲,更为准确的趋势预测值尤为重要,关系到品牌后续制定相关市场分析计划、调研活动以及决策等。

划重点:在拥有同等数据条件情况下,灰色预测模型对数据的适应性较强,所得到的结论精确性较高,可以运用于不同的数据环境中得到相对较为准确的数据趋势预测。

下面再来看一个预测的案例:某美妆品牌在制定未来目标前,想先根据过往市场份额预估下趋势。在评估了几种简单高效的方法后,我们仍然采用了灰色预测模型预测的市场份额数值。

单位:%

事后对实际数据的回顾复盘如下:

单位:%

结果再一次证明,在同等情况下,灰色预测模型得到的预测值相对传统的回归预测值而言,与实际值更为接近,更为准确。虽然和实际值还有一定的差距,但是较其他预测方法而言,整体趋势方向较为准确。

当然,灰色预测模型也有不适合使用的情况。例如随机波动较大的数据,灰色预测模型是不太合适的。因为这个模型是根据样本过去整体的运行模式和发展规律进行预测,随机波动较大的数据可能会对预测模型有影响,对预测结果准确度和精确度影响相对较大。

通过以上分享,我们可以发现相较于其他的预测方法而言,灰色预测模型对数据没有过多的要求,比方说数据是否完整、离散性情况、样本量等;仅需要满足 4 个以上,连续时序以及原序列级比检验 3 个条件即可,整体对数据的要求不高,可使用预测场合较广,对数据整体的适应性较强。

同时,灰色预测模型在一定程度上保证了预测结果具有一定的有效性和准确性,与实际值的差异相对较小,也说明了灰色预测模型具有一定程度的精度。预测结果也相对可靠。

而且灰色预测模型不仅仅可以针对市场规模,如销售额,销售量等;对其他的一些数据,比方说经济趋势、人口增长、能源消费、货运客流等,也可以进行相应的预测。例如之前项目中需对某市某区近 5 年的人口增长预测,当时我们通过灰色预测模型模拟出 2020 年该区常住人口可以达到近 75 万,与后续发布实际值 76 万左右,预测结果较为接近,也为我们后续预测未来几年的数据奠定坚实可靠的基础。

回顾过去的案例和经历,市场趋势的预测还有很多方法,例如因果分析法、时间序列法、回归预测法、趋势外推法、比例关系推算法等等。而在更为复杂的情况下,还可以对事物的因果关系、影响因素和其他诱因等进行相应的分析,构建更为复杂多样因果及参数建模方式来进行预测,通过二手数据、专家法、一手调研数据获得模型参数,进一步提高模型的精度和预测结果的准确性,从而得到最可靠最优的预测结果。

[1] 灰色预测模型是通过少量的、不完全的信息,建立相应的灰色微分预测模型,针对事物发展规律做出模糊性的长期描述。模型是基于1982年中国学者邓聚龙教授创立的灰色系统理论为理论基础的预测模型。

不要犹豫,马上欧洲杯app!

欧洲杯app
En