商务数据分析与应用 课件 项目6 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任务一从构成视角预测任务1.1市场预测与构成分析1.市场预测市场预测是指通过研究市场的变化规律和趋势，预测市场的发展走向和特点。它是企业根据现有信息和数据，分析和预测未来市场需求、价格、供应等方面的变化，以便在市场竞争中采取相应的措施和策略。市场预测的主要内容包括以下几个方面：（1）经济环境分析：对当前的经济环境进行分析，包括国内外宏观经济指标、政策法规、行业发展趋势等。（2）行业趋势分析：对所研究的行业进行趋势分析，包括行业竞争格局、产品创新、技术发展、消费需求等。（3）市场需求预测：根据历史数据和市场调查，预测未来市场需求，包括产品或服务的市场规模、增长率、消费者需求等。（4）价格预测：分析影响价格变动的因素，预测未来市场价格走势。（5）竞争态势预测：对竞争对手的策略、市场份额、新产品推出等进行监测和分析，预测市场竞争态势。任务1.1市场预测与构成分析2.构成分析根据事物的构成进行预测是一种常见的方法，主要是通过对事物的各个组成部分进行分析，从而预测整体的发展趋势。具体来说，可以根据以下几个方面进行预测：（1）构成要素的发展趋势：分析事物的各个构成要素，了解其历史变化和未来发展趋势。通过对构成要素的预测，可以初步判断事物的发展方向。（2）构成要素之间的相互关系：了解构成要素之间的相互关系和作用机制，分析各要素间的相互作用对整体的影响。通过分析构成要素之间的相互关系，可以更准确地预测事物的发展趋势。（3）构成要素的权重：分析构成要素在整体中的权重和重要性，了解各要素对整体的影响程度。通过确定构成要素的权重，可以对整体的发展趋势进行更准确的预测。（4）数据的分析和处理：利用统计学、时间序列分析等方法对构成要素的数据进行分析和处理，提取有用信息和特征。通过对数据的分析和处理，可以提高预测的准确性和可靠性。（5）模型和算法的应用：根据预测目标和数据特点选择合适的模型和算法进行预测。常见的模型和算法包括线性回归、神经网络、决策树等。通过应用模型和算法，可以更准确地预测事物的发展趋势。根据事物的构成进行预测需要综合考虑以上各个方面，同时要结合实际情况和具体问题进行选择和应用。通过不断实践和经验积累，可以提高预测的准确性和可靠性。任务1.1案例分析在80年代，在荷兰，石油的价格是30美元/桶，成本则是11美元/桶，而对于石油的未来，业内普看好，认为到了90年代，石油的价格将上涨到50美元/桶。但壳牌没有人云亦云，而是根据自己所掌握的信息资料，对石油价格的未来走向进行预测。当时它采用的是脚本法。所谓脚本法是指列举出一系列使未来发生悲观变化的事件，并分析这些事件发生的可能性以及对公司的影响程度。通过脚本法，壳牌发现有一个重大事件会直接影响石油未来的价格。当时正在召开OPEC石油供应协议的谈判，如果谈判破裂，北海和阿拉斯加对于石油的需求量就会大幅下降。需求下降，价格也会下降。当成本不变时，就会挤压利润空间。因此为了保住利润，就要降低成本。于是，壳牌采取了一系列降低成本的举措，比如关闭低利润的服务站、采取先进开采技术等等。此时，其他石油公司仍然采用粗放的经营模式。结果到了1996年，OPEC石油供应协议谈判果真破裂。由于壳牌公司及早的预测到了谈判破裂将会导致石油价格下跌的市场威胁，并采取了相应的行动加以规避，使得壳牌公司相对于竞争对手避免了一场危机。这样的结论可以从一组数据中看出：1998年，荷兰石油行业的平均资产净收益只有3.8%，壳牌公司的资产净收益率达到多少？8.4%。壳牌通过数据分析，做出了正确的市场预测，从而规避了这场市场风险。任务1.1案例讨论阅读案例，请指出该案例表明市场预测对于企业而言有什么价值，除此之外，你还能想到市场预测的哪些价值？任务1.2——啤酒与药品市场规模预测构成分析包括拆分法和类比法。1.拆分法拆分法是一种常用的市场预测方法，其基本思想是将整体市场按照一定的标准拆分成若干个子市场，然后分别对每个子市场进行预测，最后汇总得到整体市场的预测结果。这种方法能够使市场预测更加精准和具体。以下是一个用拆分法进行市场预测的示例：假设我们要预测某品牌手机在未来的销售量，我们可以将市场拆分为以下几个子市场：（1）按年龄段拆分：将市场分为青少年、中青年和老年三个子市场。根据人口统计数据和消费习惯，预测每个年龄段对手机的需求量。（2）按性别拆分：将市场分为男性和女性两个子市场。根据性别的差异和消费偏好，预测男性与女性对手机的需求量。（3）按收入水平拆分：将市场分为高收入、中收入和低收入三个子市场。并根据收入水平和消费能力，预测不同收入群体对手机的需求量。（4）按区域拆分：将市场分为城市、郊区和农村三个子市场。根据区域的经济发展水平和消费环境，预测不同区域对手机的需求量。（5）按用途拆分：将市场分为日常通讯、娱乐游戏、商务办公等几个子市场。根据用户需求和使用场景，预测不同用途对手机的需求量。通过以上拆分，我们可以得到若干个子市场的预测结果。将这些结果进行汇总，即可得到整体市场的预测结果。需要注意的是，拆分法的应用需要充分了解市场情况和消费者需求，同时要选择合适的拆分标准和维度，以保证预测结果的准确性和可靠性。任务1.2——啤酒与药品市场规模预测2.类比法类比预测法是一种基于历史数据和市场趋势进行预测的方法。通过比较过去和现在的市场情况，推断未来的发展趋势。类比预测法可以分为定量类比预测法和定性类比预测法。其中，定量类比预测法基于历史数据建立数学模型，通过分析数据之间的关系来预测未来的发展趋势；定性类比预测法则通过观察和分析市场的各种因素，对市场的发展趋势进行定性的分析和预测。在使用类比预测法时，需要注意以下几点：（1）选择合适的类比对象：选择与预测对象相似的历史数据或市场，这些数据或者市场应具有相似的发展趋势和规律。（2）考虑时间序列数据：在选择类比对象时，要考虑到时间序列数据，即按时间顺序排列的数据。通过对时间序列数据的分析，可以发现市场发展的规律和趋势。（3）考虑因素的变化：在类比预测时，需要考虑各种因素的影响，如市场需求、竞争格局、技术进步等。这些因素可能会随着时间的推移而发生变化，因此需要进行适当的调整。（4）进行验证和修正：在使用类比预测法得到初步的预测结果后，需要进行验证和修正。可以通过与实际数据进行比较、考虑未预期的事件和变量等方式来调整预测结果。注意数据的准确性和时效性：在使用类比预测法时，需要确保所使用的数据是准确和完整的，并且是近期的数据，以反映最新的市场动态。任务1.2案例分析请阅读下面的2个小案例案例1：新营养啤酒在某地的市场规模(现有市场的销售额)思路：已知该地可支配收入，若能估算出该新营养啤酒占可支配收入的比重，则两者相乘可得结果。由于可支配收入有多重构成，因此需要进行连乘得到所需比重。因此，新营养啤酒在某地的市场规模=该地可支配收入×E×D×C×B×A（见图6-1）。图6-1新营养啤酒在某地的市场规模估算任务1.2案例分析

案例2：设美国药品总销额为1500万美元，求药品在弗吉尼亚州的销额思路：用美国对弗吉尼亚州的药品销售额进行估算。需要首先找出影响药品销售额的因素，再比较两者在这些因素上的差异。得到弗吉尼亚州的药品销售额占美国总药品销售额的比重Bi，得出药品在弗吉尼亚州的销售额=A*Bi。美国《销售和营销管理》杂志公布的调查模型如下：Bi＝0.5yi＋0.3ri

+0.2pi(其中Bi购买力指数，即地区i的购买力占全国的比重；yi为地区i的个人可支配收入占全国的比重；ri为地区i的零售产品销额占全国比重；pi为地区i的居住人口数占全国比重)以此可得弗吉尼亚州在yi、ri和pi上的比较可得Bi=2.04%（见表6-1）表6-1美国药品销售额影响因素影响因素表现（1）权重（2）Bi=(1)*(2)yi可支配收入比重2%0.51.00%ri零售产品销额比重2.28%0.20.46%pi居住人口数比重1.96%0.30.59%合计2.04%这里购买力指数Bi具有一定的片面性，还有一些影响因素没有考虑进来。比如竞争环境、促销成本、季节因素等。用类比法时所考虑的影响因素越完善、越合理，规模估算的效果越好。任务1.2案例讨论请指出上面两个案例中，哪个是类比法，哪个是拆分法，并试着自己举一个用类比法或者拆分法进行市场预测的案例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。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