在数据分析领域，预测模型扮演着至关重要的角色。本文旨在为读者提供一份简明扼要的指南，从建模的基本思路到模型的分类，再到具体的应用场景，全方位解读预测模型的构建与运用。通过这篇文章，无论是数据新手还是有经验的分析师，都能获得宝贵的洞见，提升数据分析的准确性和效率。

“建个模型预测一下！”一听到要建模预测，很多同学都会菊花一紧。可以用来做预测模型很多，但是往往领导们喊着“建个模型”的时候，他丢给你的就孤零零的一行数，形如下图：

这咋办呀！你可能很想说：“就几个数，咱拍脑袋吧！”，这时候还会被领导批评。那死马当活马医的话，该咋整呢？

一、建模思路

建预测模型有两个基本思路：因果关系/时间序列

1、基于因果关系建模。比如预测一个用户是否消费，会把该用户性别、年龄、过往消费记录、喜欢什么商品、浏览过哪些网页等可能影响消费的因素视为X，将消费结果视为Y，之后利用数据计算出X与Y的公式。

做了8年产品经理后，我是这么看产品经理的

我个人是从非常初级的产品经理做起，再到负责一个大产品的项目管理，现在有幸跳出了日常基础的工作更多的去看产品的PMF，product strategy...

查看详情 >

2、基于时间序列建模。它把待预测的指标（销售额、用户数、出货量等）视为Y，把时间视为X，把待预测指标随着时间发展而变化的公式计算出来（形如y=ax+b，不过具体形式会更复杂）。

直观地看，两种思路需要的数据格式如下：

显然，在仅有一行数据的情况下，因果关系预测很难实现。并且一般这种只丢一行数据让预测的公司，一般数据基建也很稀烂，最多给个业绩=订单数*客单价，很少记录影响用户购买的原因。综上，在只有一列数的情况下，用时间序列法比较省事。

二、建模准备

时间序列法有3种基础形态（如下图所示）：

根据不同的形态，可以选择不同的方法。因此在建模的时候，要先观察数据形态。比如开头的例子，显然同时有季节性+趋势性（如下图所示），因此可以用带趋势的季节回归来做。

三、建模过程

第一步：分别把代表趋势的自变量（t），代表季节的自变量Q1、Q2、Q3构造出来（如下图）因变量（Y）就是销售额。

第二步：利用回归模型，计算相关参数，这里直接用Excel的回归分析功能做。

第三步：观察结果，写出预测模型的公式。

第四步：代入下一年度的参数，得出预测数值。

这样就做完啦！如果领导想看，可以从回归分析的源头讲起，R平方的计算公式，参数估计原理，F检验与t检验。非数据出身的领导们一听这么多专业名词，对模型的幻想得到了一定程度的满足，也就能交差了。

四、模型扩展

Excel的回归分析默认是线性回归。但有可能X与Y之间不是线性关系，比如公司业务在高速增长阶段，随着时间发展，业绩越来越好，此时可能是多项式 or 对数关系。

因此在建模以前，可以先做散点图，检查下数据之间的关系。有趣的是，excel在添加趋势线的时候，可以直接选择拟合曲线，因此想偷懒的同学，完全可以直接如下图操作。

不过要注意的是：R平方并不是唯一判断标准，在拟合完走势后，还得关注：

1、是否拟合走势与原数据走势明显不相符

2、是否拟合走势某些点不合业务逻辑

3、是否拟合走势近期误差过大

要先做排除法，剔除这些明显有问题的。

如果剔除过后，依然有多个模型符合条件，可以计算每个模型拟合数据 VS 实际数据的均方差（MSE：Mean Squared Error），选一个均方差较小的模型来用。

当然，时间序列法还有平滑法以及平滑法的各种变体（holter & winter模型），还有ARIMA、LSTM等模型可用，等以后有机会再一一介绍。

小结

本质上看，时间序列法就是模拟过去的走势，然后按过去的走势推演。这种做法和我们用肉眼观察数据走势，拍脑袋拍个数值没有思路上的区别，仅仅是用公式替代了肉眼观察，增加了精确度而已。

不过，话说回来，做预测，本身就是“长袖善舞，多钱善贾”，数据越丰富，预测准确可能性越大。数据贫瘠，那也只能这样将就下。

而且，如果真出现黑天鹅事件，那啥方法也预测不准呀。如果是压根没数据的，比如一款过去从未做过的产品，那压根就不能做预测，而是得做测试。这就需要用到统计学假设检验方法。