在通过传统模型的预测方法发现对业务数据预测结果并不理想之后，找到指标之间的关联，对有明显线性趋势的‘衍生指标’进行预测，这样能提高对指标预测的精度和效率。所以指标的熟悉度对预测的前期准备很重要。指标的熟悉度！指标的熟悉度！指标的熟悉度！
【预测方法与问题】
最初使用指数平滑预测，指数平滑预测不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的时间拉长，赋予逐渐收敛为零的权数，但是该预测方法只能赋予远期较小的比重，近期较大的比重，所以适用于进行短期预测；
公式：
指数平滑模型
· St--时间t的平滑值；
· yt--时间t的实际值；
· St − 1--时间t-1的平滑值；
· a--平滑常数，其取值范围为[0,1]；
这是一次指数平滑，一次指数并不能反映出时间序列的趋势和季节性，因此我们使用holt-winters加法模型，即累加三次指数平滑模型，三次指数平滑在二次指数平滑的基础上保留了季节性的信息，使得其可以预测带有季节性的时间序列。
举例DLU用户用三次指数平滑预测结果（结果做过处理）如下：
三次平滑预测结果
单看指标预测并没有什么问题，因为整体趋势是稳定上涨，而预测值也是稳定增长的。本来对这个预测结果充满信心，但致命问题立马浮出水面：预测出来的结果不符合行业市场的趋势！
这样的结果主要有以下4个原因导致：
1、 没有参考行业权威数据并考虑行业市场饱和度，这简直是最致命的问题，根据模型预测单个指标，出现了过分预测的结果；如果没有权威行业数据的参考，或者没有考虑到行业市场的饱和度，这个纯预测模型出来的结果肯定是不可取的；
2、 单纯依赖指数模型会过分预测，这是由于指数模型对近期数据赋予的权重很强，所以每个月更新预测的数据都会有很大差异；会遇到很多季节性，周期性的问题，例如，春季/国庆/开学
3、 没考虑指标间关联性，预测的指标一多就乱了分寸，找到每个指标之间的关联性对预测的逻辑性和精度是非常有帮助的，这使得预测结果有理可据；
4、 没有结合专家经验，对业务的了解，结合产品运营以及产品的生命周期去衡量指标的预测方向。
【预测方法改进&数据佐证】
根据以上总结的四点问题，对预测方法改进，尝试过结合环比、同比进一步对指标预测，但是结果依然是过分预测；根据平时业务分析的经验，发现一些‘中间指标’，比如一些指标渗透率，占有率，ARPU值等有非常明显的线性趋势，那么就决定尝试这从指标关联性之间入手，方法如下图：
指标关联性
在预测之前罗列所有指标后发现DLU（业务使用用户）与其他活跃指标联系性最高，因此决定将DLU作为其他指标预测的媒介，那么DLU就是这次预测的核心指标，要保证后续的指标预测精度和准确度，就要验证DLU的预测数据有理可据，那么如何验证DLU数据预测准确性？
参考行业的权威数据。互联网行业数据报告会按月度、季度公布，里面的数据非常具有参考的价值，所以根据行业的总体数据，结合预测出来的DLU用简单的方法就能判定DLU的预测是否合理，是否符合行业数据的发展情况。
当然，行业数据未来趋势到底如何，我们不能加以笃定，每个业务产品都有自己的生命周期，这个佐证只是验证我们对DLU预测的方向是否正确，不能完全说明预测就是100%准确。
验证DLU数据没问题之后，就可以根据指标之间关联的方法预测出其他指标。
1、 通过DLU的年同比的预测（因为年同比呈稳定趋势），进而预测出DLU；
2、 其他活跃指标，如DAU（活跃用户），CNT（次数）等，通过渗透率、户均次数等这些有明显稳定线性趋势的指标作为‘衍生指标’进行预测，这次分析过程中用到对预测起到有效帮助的‘衍生指标’：
i渗透率：DAU/MAU,DAU/DLU等（这些指标可以观察出核心用户比例变化）
ii 户均次数：CNT/DAU,CNT/DLU等（观察用户活跃变化）
iii平台占比大盘：IOS/TOTAL, ANDROID/TOTAL 等（观察平台或子指标对大盘影响的逐渐变化）
iv 年同比：适用于任何指标 （对指标以往的表现，尤其季节性因素有参考判断性）
3、 用‘衍生指标’结合DLU的预测结果，得出最终的活跃指标的预测值。
寻找指标之间显而易见的联系，这样能一定地消除季节性因素，并有明显线性的趋势，降低了预测的难度，增加了精度。
【预测总结】
模型总是这么‘完美’，脱离实际，毕竟普遍大众的心里无法掌握；
自我束缚，忽略了同业竞品的表现，毕竟盘子就这么大，咋可能飞出宇宙；
指标分离让预测变得更难，一定要找到关联性，预测会迎刃而解；
专家经验以及行业权威数据能引导预测的方向，一味地预测往往会脱离整个产品风向的轨道。
相信前辈们还有更多专业的好的预测方法，欢迎交流。
网友评论