大部分日常工作的预测，都是基于连续几个数据，比如：
■ 有今年1-5月销量，问6月销量咋样？
■ 有最近10周的新增用户，问第11周有多少？
■ 有过去30天的业绩，问今天业绩如何？ 这种预测有个专业名词：时间序列预测。小伙伴们看到这种不要慌，即使只有几个数，也是能建模的。首先要做的，是区分数据走势。
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）
领导希望预测2021年6月的用户量，该如何做呢？
第一步：观察形态。
做出该数据的折线图，可见这是典型的趋势型（增长趋势），那么就用趋势性预测方法吧。
第二步：处理数据。
做新的折线图，做出该图趋势线。
第三步：选择形状。
选择合适的趋势线形状，显示公式与R平方。
这一步是很多小伙伴们最怕的一步，因为不懂这些模型和参数呀，做错了咋办。不用怕！这种几个数的短期预测，本来就不咋准。特别是，很多业务数据，比如用户量、销售额，都是跟业务努力程度挂钩的，本身就不是数据能量化预测的，所以尽管放心大胆的做。
这里只要掌握几个基本原则就行了：
1、选取的趋势线，和实际走势接近（不要实际往上走，趋势线却往下走）
2、R平方数值尽量接近1（习惯上不小于0.6） 如上图所示，如果是选择多项还可以通过调整项数，提高趋势线的R平方，让趋势线更接近实际走势形状（如下图）
第四步，预测结果。
把预测模型写进单元格，预测结果。公式出来以后，做一些小调整，直接复制出来就好了。这里选择了多项，参数为2的情况，（如下图）
这里简单解释一下公式公式里Y就是要预测的用户量数据（因变量）X是自变量，就是时间，X平方就是时间*时间，对应关系如下：
其实，趋势线拟合的原理，就是假设数据随着时间变化而变化，因此因变量是数据指标，而自变量就是时间，以及时间的各种形态，比如时间的平方、对数、指数等等。
第五步，预测未来情况。
这里有10个数据，要预测下个月的，就是第11个数据，时间是11，时间平方是121，代入公式，就能算出预测值（如下图）
这样就完成啦！多简单。 勤快的小伙伴，在实验这个方法的时候，会发现：很有可能好几种趋势线预测出来的结果，R平方都是接近1的，这时候该怎么选呢？
如果一定要纠结这个问题（我强烈建议你不要纠结这个，我们又不专业，让专业做算法的小哥哥纠结去）可以计算平均平方差（MSE），哪个方法的MSE数值小，就用哪个（如下图）
明显，2次拟合的MSE值更小，就用这个啦。到这里，就全部做完啦。多简单。 这种趋势拟合（又叫趋势外推），是解决趋势型预测的非常快捷的方法。
其优点，包括：1、需要的数据少，几个数也能预测2、能模拟曲线走势，不会出现方向性错误3、是个模型，充分满足领导对建模的憧憬
但缺点也是很明显的，领导一句话就能把它打败：“那你所说，这预测的134万用户，到底是哪些渠道做出来的？”
很遗憾，完全说不了。因为模型只是模拟了曲线的走势，并不能解释走势是怎么来的。用数据分析的专业术语，叫：业务可解释程度差。 这种可解释性差，有时候会引发很严重的问题。比如小伙伴们看回上一张图，虽然2次拟合的MSE值更小，但是这个预测结果明显有问题：本来是连续10个月上涨，这个月居然变成下跌了！
很有可能引发领导连珠炮似的问题：
1、为什么会下跌？
2、是新增少还是流失多？
3、运营不给力还是产品体验差？
4、需要短期拉动还是长期拐点到了？
更加遗憾的是，模型本身更解释不了这些。所以聪（jiao）明（hua）的小伙伴，会果断放弃二次拟合的结果，用线性拟合的结果。因为这样更符合领导预期（少被人喷）。 那如果领导一定要解释到底新增的是从哪些渠道来的。该怎么办呢？这时候可以利用杜邦分析法，对用户量指标做拆解（如下图）
拆解完以后，我们一个个去找对应渠道负责的同学问：
■ 亲，这个A渠道，你们6月份还做不做？
■ 亲，如果做A渠道的话，你们准备投多少？
■ 亲，A渠道过去转化率为x%，你们准备做优化不？
问了一堆问题以后，把收集到的信息，做一张汇总表，把下个月为什么是这么多人，解释得明明白白（如下图）
这就是大名鼎鼎的业务预测模型，这种预测模型的可解释程度就高多了，可以明明白白地讲清楚：
1、增长来自哪里
2、为什么增长这么多
3、如果不达标，还能做什么
但是这样的缺点也是很明显的：
1、它没有让人看不懂的算法，显得不厉害
2、需要运营的大量输入，而运营不见得想说话
3、即使运营想说，也有可能在拍脑袋，很有可能拍得不准
所以呢，世上没有两全法，只能看情况做预测咯。以上就是今天小熊妹整理的知识点。还差两个：躺平型与季节型，火锅已经点好了，下次再写。小伙伴们记得点赞+在看+转发，鼓励下新人哦，谢谢你啦~
