编辑导语：做运营的同学是不是也会头疼预测这件事？作者分享了自己的一些做预测的小技巧，期待能与你学习交流。

大家好，我是爱学习的小熊妹。

没错，我又加班了~大家都知道，小熊妹最怕下班的时候被别人长长的一声“小熊妹~~”喊住。

所以，这天我在收拾包包补个妆的时候，领导又在背后喊我了。

这次接到的任务很简单，两个字：预测。‍‍‍建预测模型，是件很复杂的事。

领导轻飘飘一句：“做个预测看看”。

不光搞得运营的小伙伴们晕头转向，也大量挤占我的煲剧时间。必须不能忍。

因此，今天整理了快速预测的方法，只用excel就能搞掂哦。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：

1. 趋势型：连续发展的态势。
2. 躺平型：变动较少，一条直线。
3. 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）？

看个简单的例子，某互联网产品，2020年8月份上线，每月月底用户量如下表。

领导希望预测2021年6月的用户量，该如何做呢？

一、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。

二、处理数据

做新的折线图，做出该图趋势线。

三、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：

• 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）。
• 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）。

四、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，也就是时间，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。

五、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：

• 需要的数据少，几个数也能预测。
• 能模拟曲线走势，不会出现方向性错误。
• 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：

• 为什么会下跌？
• 是新增少还是流失多？
• 运营不给力还是产品体验差？
• 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：

• 增长来自哪里
• 为什么增长这么多
• 如果不达标，还能做什么

但是这样的缺点也是很明显的：

• 它没有让人看不懂的算法，显得不厉害
• 需要运营的大量输入，而运营不见得想说话
• 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。

作者：码工小熊，微信公众号：码工小熊

本文由 @码工小熊 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议