时间序列分

加入超过 200 万学生的行列，通过 365 Data Science 提升自己的职业生涯。向曾在 Meta、Spotify、Google、IKEA、Netflix 和可口可乐工作过的讲师学习，掌握 Python、SQL、Excel、机器学习、数据分析、AI 基础知识等。

免费开始

兰迪·罗塞尔
7 分钟阅读
时间序列分析

我们柬埔寨移动的电话数字都知道可口可乐这个企业巨头。该公司每年赚取数百万美元，并且似乎可以预测每个问题或新的市场趋势。然而，你有没有想过他们是如何在游戏中保持领先地位的？这是因为他们的数据科学团队使用时间序列分析。

在本文中，我们将通过现实世界的示例探讨该技术的含义，并讨论您可能遇到的时间序列建模类型。

什么是时间序列分析？
在管理环境中，我们通常对预测某些类型的结果感兴趣。一些例子包括销售额（总体或部门级别）、客户满意度水平、公司实现目标成本水平的能力或交付成功项目的能力。在所有这些情况下，我们将使用过去的数据来对未来进行预测。时间序列分析是预测分析的一部分，在一致的时间间隔内收集数据（也称为收集时间序列数据）。它是一个有效的工具，使我们能够量化管理决策对未来结果的影响。

让我们再次以可口可乐为例，通过该公司的销售额来看一个时间序列分析示例。两个季度后，他们的预期销量将在 250,000 至 300,000 辆之间。历史销售表明销量与天气之间存在密切关系——也称为相关分析。据此，夏季的数字可能会接近 290,000 人。然而，为了在冬季取得类似的结果，该公司将需要一些额外的营销投资。

可口可乐团队可以用来执行此类未来预测的技术正是时间序列分析。应用后，该模型将提供一系列潜在结果。在我们的示例中，我们有兴趣预测的变量是未来销量。因此，结果将取决于多种因素，这可能会影响全年的销售发展。

假设天气比平均温度高 5%，可口可乐在电视广告和促销活动上的营销支出增加了 5%。然后，根据历史数据，我们可以合理地预期销量将达到我们指示的范围的高端 - 290,000 辆。通过改变天气条件假设并对不同的营销支出进行假设检验，该模型将产生单独的时间序列分析预测。通常，在实践中，我们会提供一系列估计。对于可口可乐来说，它们可能看起来像这样：

时间序列建模方法有哪些类型？
分析师经常使用 4 种建模方法来支持时间序列分析：

幼稚的
概率论
确定性
杂交种
现在，我们将探讨每种类型，并为您提供如何在业务环境中应用它们的示例。

朴素时间序列方法
朴素预测（或持久性预测）是时间序列分析的最简单形式，我们将前一时期的值作为参考：

X
t
=
X
t
+
1
它不需要大量数据——之前每个时期的一个数据点就足够了。此外，简单的时间序列建模可以考虑季节性和趋势。

如果您还记得可口可乐的示例，季节性表明数据中存在仅定期出现的周期性模式。您可以采用您现在尝试预测的同月的去年值，而不是采用上个月的销量：

使用朴素时间序列方法根据去年冬天的销售情况预测今年冬天的销售情况。

本质上，您将使用去年 12 月的数字而不是今年 11 月的值来预测即将到来的 12 月的销售额。

另一种选择是考虑趋势。例如，根据我们的历史分析，我们可以看到去年 9 月份的销售额比 8 月份下降了 10%。我们可以使用此信息通过应用与 8 月份相比销售额减少 10% 的方法来预测今年 9 月份的情况：

根据去年同月的结果，使用时间序列预测 9 月份的销售额将减少 10%。

朴素预测方法易于理解和使用。然而，过去并不总是未来的良好指标。这就是为什么通常需要更复杂的分析技术来得出更准确的销售预测。

_________________
手机号码库