Есть сотни методов прогнозирования продаж. Вопрос в том, какие выбрать. В этой статье я кратко расскажу о популярных способах прогнозирования продаж и о том, как сравнить методы с ключевыми показателями. В зависимости от варианта использования, клиент может согласиться с простым методом, таким как среднее, в то время как другим могут потребоваться более точные способы прогнозирования с использованием алгоритмов прогнозирования.

Итак, какой метод мне следует использовать? Ответ прост. Рассчитайте ошибку между прогнозом и фактическим значением. Какой бы метод ни имел наименьшую ошибку, выбирайте именно такой подход. Если метод простого среднего точно предсказывает реальный доход, нет причин не использовать его.

Пример использования и определение данных

В этой статье я возьму данные о продажах за 2016–2018 годы для компании, годовой доход которой составляет 75 миллионов долларов, и использует их для прогнозирования доходов за период с января по март 2019 года. Я сравню прогноз с фактическим значением и вычислю разницу. . Метод с наименьшей разницей будет победителем, и именно он будет использован для расчета прогноза на оставшуюся часть года.

Измерьте ошибку между прогнозом и фактическим значением

Есть два стандартных способа вычисления ошибки. Первый - рассчитать разницу между прогнозом и фактическим значением за январь, февраль и март до среднего значения за год.

Ошибка в прогнозе на январь = Abs (Jan Forecast - Jan Actual)

Ошибка в прогнозе на февраль = Abs (прогноз на февраль - факт на февраль)

Ошибка в прогнозе на март = Abs (мартовский прогноз - мартовский факт)

Средняя ошибка = (ошибка прогноза на январь + ошибка прогноза на февраль + ошибка прогноза на март) / 3

Причина использования абс (абсолютного) заключается в том, что иногда прогноз будет выше фактического значения, может быть ниже реального значения. Поэтому, когда мы добавляем ошибки, мы добавляем абсолютное значение ошибок.

Вышеупомянутая метрика называется средней абсолютной ошибкой (MAE) и ее легко понять.

Одна из метрик, которую я предпочитаю, это то, где она учитывает большие различия, которые не отображаются в средней ошибке.

Чтобы наказать за большие ошибки, каждый месяц получает квадрат ошибки каждого месяца, складывает его за три месяца и получает среднее значение. Квадратный корень из этого значения - это ошибка, которая фиксирует большие ошибки и называется среднеквадратичной ошибкой (RMSE).

Среднеквадратичная ошибка = [(ошибка прогноза на январь) ^ 2 + (ошибка прогноза на февраль) ^ 2+ Ошибка прогноза на март) ^ 2] / 3

RMSE = квадратный корень из (среднеквадратичная ошибка)

Есть еще одна популярная ошибка: Средняя абсолютная процентная ошибка (MAPE), где ошибка выражается в процентах.

Хотя все три способа измерения ошибки являются допустимыми, я предпочитаю второй (RMSE), поскольку он наказывает большие отклонения от фактического значения.

Различные методы прогнозирования

Давайте посмотрим на различные методы прогнозирования продаж.

Метод простого среднего

Здесь мы берем среднее значение за последние 3 года и устанавливаем его как прогноз на 3 месяца в 2019 году. Это означает, что прогноз на январь, февраль и март 2019 года будет таким же и будет равен среднему значению за последние 3 года. . Это один из самых простых способов прогнозирования.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 312500.

Скользящее среднее

Здесь мы берем скользящую среднюю прогноза. Мы можем сделать 6-месячную скользящую среднюю. Я использовал последнее значение скользящего среднего и установил его в качестве прогноза на три месяца в 2019 году. Прогноз на январь, февраль и март 2019 года будет таким же и будет равен скользящему среднему за последние 6 месяцев. Обратите внимание, что некоторые могут пересчитать скользящую среднюю за февраль, включив прогноз на январь. Я предпочитаю этого не делать. Я предпочитаю включать только фактические значения для входных данных прогноза.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 347968.

Экстраполяция строки

Проведите простую грань между наблюдениями за январь 2016 г. и декабрь 2018 г. и продлите ее на следующие три месяца. Это работает, если есть хорошая тенденция в данных. Если в данных есть сезонность, это, как правило, неэффективно.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 410171.

Прогноз дохода за прошлый месяц, также известный как Naive Approach

Прогноз на январь, февраль и март 2019 года будет таким же и будет равен выручке за декабрь 2018 года.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 373743.

Выручка за тот же месяц в прошлом году, как прогнозировалось

Прогноз на январь, февраль и март 2019 года будет фактическим значением за январь, февраль и март 2018 года (в том же месяце год назад).

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 382058.

Применить коэффициент конверсии к открытым возможностям

Я использовал коэффициент преобразования 0,1 и использовал открытые возможности в начале каждого месяца, чтобы рассчитать прогноз на этот месяц.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 292368.

Оцените возможности с помощью прогнозных моделей

Вместо использования исторического коэффициента преобразования, такого как 0,2, постройте простую модель классификации, чтобы предсказать вероятность закрытия сделки в этом месяце. Все сделки ›с вероятностью 80%. Я их отмечал в прогнозе.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 163539.

Прогнозирование временных рядов с использованием Prophet

Здесь мы использовали алгоритм Prophet и использовали данные с 2016 по 2018 год, чтобы спрогнозировать доход за три месяца 2019 года.

Используя этот подход, я получил среднеквадратичную ошибку (RMSE), равную 132957.

Сравнительная таблица

Лучше уменьшите RMSE для модели.

Резюме

Как видно из вышеизложенного, последние два подхода, основанные на машинном обучении, сработали намного лучше, чем другие методы для задачи прогноза продаж, которую я пытался решить. Первые несколько подходов были просты. Если такая точность подходит для ведения вашего бизнеса, вы в хорошей форме. Если требуется больше точности, последний подход более эффективен. Например, при прогнозировании количества заказов или количества звонков в центр обработки вызовов эти прогнозы коррелируют с инвентаризацией и инвестициями в человеческие ресурсы, чтобы отреагировать на прогноз. Поэтому, когда нужно предпринять какое-либо действие, которое стоит $$$, клиенты, как правило, используют подход с хорошей точностью, подобный двум последним вышеупомянутым, для создания прогноза.