商务数据分析与应用 课件 6.2商务数据分析的价值（基于预测视角的分析方法）

基于预测视角的分析方法项目六：0108商务数据分析基于预测视角的分析方法是商务数据分析的重要组成部分，旨在利用历史数据预测未来的发展趋势和结果，为企业的战略决策和资源分配提供科学依据。在众多预测方法中，构成分析、回归方程分析和时间序列分析是三种经典且互为补充的技术，它们从不同的角度揭示数据的规律，共同构建了预测分析的系统框架。ProjectObjectives01项目目标项目目标ProjectObjectives1.掌握构成分析预测法2.掌握回归分析预测法3.掌握时间序列预测法知识目标能力目标素养目标1.理解预测的基本思想2.掌握预测的常用方法1.培育学生运用辩证思维，理解和运用事物之间的内在联系和发展规律2.培养学生市场预测的思维能力和洞察力3.培养学生深入了解市场经济的本质和规律4.培养学生遵循自然规律和市场规律进行预测02任务二从回归视角预测任务2.1

回归分析的基本概念回归分析是统计学中用于确定两种或多种变量之间关系的分析方法。具体来说，回归分析可以探索因变量（目标）和自变量（预测器）之间的关系，通常用于预测分析、时间序列模型以及发现变量之间的因果关系。在回归分析中，根据涉及的变量数量，可以分为一元回归和多元回归；根据因变量的数量，可以分为简单回归分析和多重回归分析；根据自变量和因变量之间的关系类型，可以分为线性回归分析和非线性回归分析。线性回归分析是最常见的回归分析类型，它试图用一条最佳拟合线来表达两个变量之间的关系。这条最佳拟合线是通过最小二乘法等方法确定的，能够最好地解释自变量和因变量之间的线性关系。在机器学习中，回归分析也是一个重要的模块，广泛应用于各种算法中，例如最小二乘法（OLS）、脊回归等。总的来说，回归分析是一个强大的工具，可以用来理解、预测和优化各种数据驱动的问题。但是，它也有一些局限性，例如对于非线性关系的处理能力有限，以及对于异常值的敏感性等。因此，在使用回归分析时，需要谨慎处理这些问题。在回归分析中最重要的概念如下：第一组概念：自变量与因变量自变量是因，因变量是果。例如“杯子的销量受到价格的影响”，在这句话中价格是因，是自变量，用x表示；杯子的销量是果，是因变量，用y表示。第二组概念：一元回归方程与多元回归方程元是指自变量的个数。例如若研究价格X1对杯子销量Y的影响，是一元回归；若研究价格X1、包装X2、促销活动X3对杯子销量Y的影响，是多元回归，更确切地说是三元回归。第三组概念：线性回归方程与非线性回归方程我们经常会听到线性回归、非线性回归。两者有什么区别呢？区别体现在两个方面从图形看，若是线性，则X与Y沿着一条直线变动；若是非线性，则沿着曲线变动。从模型看，若是线性，则回归模型为Y=+x，自变量X是一次方；除此之外，其他形式的回归模型，都是非线性回归模型。任务2.1案例分析冰淇淋销量与溺水人数间的关系常作为统计学中的经典案例，用来讨论“相关性不等于因果性”的误区。最初，这一观察来自20世纪的统计研究，研究者发现，在夏季高温期间，冰淇淋的销量和溺水事件的发生数量都呈现出显著增加的趋势。直观上似乎可以认为冰淇淋的销量与溺水人数之间存在某种关联，甚至会误以为吃冰淇淋增加了溺水风险。然而深入分析后发现，这种关系其实是由气温这一共同因素驱动的。在夏季气温升高不仅刺激了人们对冰淇淋的需求，也导致更多人选择去游泳或从事水上活动，从而增加了溺水风险。在研究冰淇淋销量与溺水人数关系时，相关分析和回归分析的作用和结果有所不同。相关分析用来衡量两个变量之间的关联程度。通过计算相关系数，可能发现冰淇淋销量与溺水人数相关系数为0.9，说明两者之间存在强正相关关系。这种结果表明，在数据表现上，冰淇淋销量增加的同时，溺水事件也在增加。然而，相关分析仅揭示关联，并不能说明两者是否具有因果关系。回归分析则进一步探讨变量之间的具体量化关系。如果直接对冰淇淋销量与溺水人数进行回归建模，可能得出销量每增加1000个单位，溺水事件增加1起的结果。然而，这种分析容易得出误导性结论，因为它忽略了气温这一共同驱动因素。为解决这个问题，需要在回归模型中加入气温作为控制变量，而冰淇淋销量在剔除气温的影响后，对溺水人数的直接贡献不再显著。冰淇淋销量与溺水人数的案例揭示了相关分析和回归分析的核心区别。相关分析用于衡量变量间的关联强度，但无法推断因果关系；回归分析则通过量化和控制变量的方式，揭示变量间的作用机制。该案例强调了审慎解读相关性的重要性，并展示了回归分析在剖析复杂关系中的优势和必要性。科学的商务数据分析需结合相关和回归分析，以避免因片面解读而得出误导性结论。任务2.1案例讨论（通过本案例的学习，请说一说你对相关分析与回归分析的关系有哪些新的理解？任务2.2——电脑销量与销额预测现在已知2010-2015年电脑平均价格以8%的速度递减，2009年的电脑平均价格x=5600，

这样就可求出各年的平均价格，根据上面得到的销售数量的预测回归方程y=17818.11-1.28X，预测2010-2015年电脑销售数量和销售金额。第一步：计算2010-2015的销售数量。根据已知条件，2010-2015年电脑平均价格以8%的速度递减，请计算2010-2015年电脑的平均价格，如图6-2所示。图6-2计算平均价格任务2.2——电脑销量与销额预测第二步：将含有预计2010-2015年电脑平均价格的导入到Wyn平台。在“文档门户”页面点击左侧菜单栏的【+】，点击数据【数据源】（图6-3），进入数据源链接页面，选择【文件型数据源】下的【Excel】,点击进入（图6-4），选择excel的路径，并进行命名（图6-5），直接点击【下一步】，选择数据所在的表格加载进行数据加载（图6-6），继续点击【下一步】，点击【创建】按钮。图6-3数据导入步骤1图6-4数据导入步骤2图6-5数据导入步骤3图6-6数据导入步骤4任务2.2——电脑销量与销额预测第三步：利用前面的预测回归方程电脑销售数量和销售金额进行预测在“文档门户”页面点击左侧菜单栏【+】，点击数据【仪表板】下的【准备数据】（图6-7），进入数据准备页面，选择【数据集】下的【原生查询数据集】,点击【创建】（图6-8）。图6-7准备数据步骤1图6-8准备数据步骤2任务2.2——电脑销量与销额预测进入数据准备页面，选择第二步中导入的数据表名称，输入SQL查询语句“select年份,销售量,平均价格,17818.11-1.28*平均价格as销售量预测,(17818.11-1.28*平均价格)*平均价格as销售额预测from销售数量”利用已获得的模型，进行电脑销售数量和销售金额的预测（图6-9），图6-9预测数据任务2.2——电脑销量与销额预测点击【检验】按钮，确认代码🥹，点击左上角【保存】按钮，对SQL语句查询到的数据进行保存，并命名（图6-10）。图6-10保存数据任务2.2——电脑销量与销额预测第四步，绘制电脑销售数量和销售金额的预测点击左侧菜单栏【+】，点击数据【仪表板】下【空白仪表板】（图6-11），进入仪表板空白画板图6-11建立空白仪表板任务2.2——电脑销量与销额预测拖动左侧【组件】下的【组合图】到空白画板（图6-12），在右侧的【绑定数据】下搜索第三步获得的预测数据【图6-13】进入数据准备页面，在【左值轴】、【右值轴】、【分类】3个字段分别拖入“销售量预测”、“销售额预测”、“年份”（图6-14），获得预测销售量和预测销售额的组合图（图6-15）。图6-12选择图表图6-13获得预测数据图6-14选择数据任务2.2——电脑销量与销额预测图6-15预测结果呈现点击左上角的保存按钮，命名仪表板名字并保存（图6-16）图6-16保存预测结果任务2.2案例讨论思考：如果618彩电的库存备货以后，最终实际销售数量远低于预测，