数据分析的终极目标-预测第1辑

预测是数据分析的终极目的预测的必要性和误差的必然性经验预测法
类比预测法惯性法与时间序列分析逻辑关系预测法
1.1 预测是数据分析的终极目的
数据分析最重要的目的就是从数据中寻找规律，找到能够指导我们未来实践的原则和方法，它是产生智慧的主要途径。所以，预测分析是数据分析的终极目的。虽然数据分析可以承担各种功能，包括监测、监控、检查、证据、校验，但预测还是最为关键的，所以掌握数据分析和挖掘的预测方法才是数据分析师的看家本领。
预测包括现象的预测和规律的预测。自然科学在本质上也是对事物的属性、本质和规律的预测。有了对事物的认知和对规律的掌握，我们就能够创造出更多的东西。商业社会也是如此，如果我们能够知道影响股票波动的因素，并能够掌握这些影响因素的数据，就能够对股价做出精准的预测，从而指导我们的投资决策，做到稳赚不赔。但事物具有复杂性，我们无法掌握所有的信息，更无法掌握所有的规律，所以才会有了那么多的偶然影响因素和随机事件。
在美国电视剧（简称美剧）《疑犯追踪》中有一台超级服务器，它能够掌握所有事情，预测所有事情的发展，从而能够预测各种犯罪的发生和危险事件。主人公与几个特工组成一个阻止悲剧发生的战队，开始了各种所谓的营救行动。这样的机器或许在未来能够出现，但在目前能掌握所有事物的数据并通晓其规律的机器还没有。在智能领域，我们已经能够制造出会下围棋的AlphaGo，但距离精准的预测还有很大的距离，但这并不能阻止我们对某些特殊事物的预测。
随着大数据、物联网等技术的快速发展和应用，我们会拥有越来越多的数据，在这些数据的基础上，通过各种分析技术的发展，我们就能够加工出越来越多的“智慧”，从而能够指导我们的实践，而我们对未来的预测会越来越精准，越来越有效。
人们总是把事情想象得过于美好，认为做大数据的人能够上知天文，下晓地理，能够准确地预测未来。现在还没有人有这样的能力，至少目前不会有，未来10年估计也不会有。所以企业的老板也不能对数据部门寄予过高的期望。
经济学、社会学、社会物理学、心理学、统计学和数学等众多学科都是预测的工具和方法，人类已经掌握了一些基本的事物发展规律，对人类大脑、情感、心理的认知也逐步深入。但我们对这些学科的掌握程度还远远达不到准确预测未来的程度，我们所知道的仅仅是大自然中非常小的一部分。所以永远不要过高地估计我们对世界的认知。
20年前，互联网刚刚开始兴起，那个时候人们觉得互联网永远无法取代电视、报纸、杂志和广播，认为互联网只会成为信息传播的一种工具，而且最初人们只希望用互联网来传播知识，而拒绝使用互联网从事商业行为。20年后的今天，互联网的普及彻底改变了我们的生活方式。
我们经常说“以史为鉴”，其实就是研究事物发展的历史，为我们研究新的事物做出指导，让我们对未来的事物有更远一点的估计。研究互联网的发展历史，能够让我们更好地估计或者预测同为信息技术的大数据技术在未来的发展。
互联网从1995年开始推广应用到2015年，整整20年的时间，其已经不再被看作是新的技术了，而是日常必不可少的一种技术应用，而且应用的范围和领域也越来越广，如下图所示。如今我们已经真正进入到“互联网+”的时代。

纳斯达克历史综合指数也揭示了一个技术成长的过程，如下图所示。因为纳斯达克主要以互联网新技术公司为主要的投资对象，该股票交易市场的主体是互联网公司，其综合指数直接体现出这些公司的市场价值。

著名的研究公司Gartner以研究技术发展和为技术公司提供咨询服务为主。其跟踪和研究各种新技术的发展历程，并形成了一个关于技术发展周期的HypeCycle理论体系。此理论体系将技术的发展分成触发期、过热期、幻灭期、复苏期和创新应用期。不同的技术发展会有不同的结局，有的会在发展的过程中就消逝了，有的成了影响人们生活的重要技术。在Gartner看来，不同的技术处在不同的阶段，大家对其的期望会有不同，这在股票市值或者公司估值上能够体现出来。
下图是Gartner对新兴技术的研究结论：不同的技术处在不同的时期。大数据技术在2014年曾经被Gartner认为进入幻灭期，目前其在中国仍然处在过热期，大家都看好这个技术，动辄就投资几十亿元来推动大数据应用，而得到的实际应用价值还是非常少的，但是这个技术却比互联网更加能够影响我们的生活。

通过研究互联网技术的发展历史，我们能够预测未来大数据技术的发展。互联网从触发期到过热期用了5年左右的时间，1999—2000年是互联网技术的幻灭期，一直到2005年用了5年去复苏，2005—2010年是互联网技术的复苏期，2010年开始进入创新应用期，2015年进入产业广泛应用的“互联网+”时期。每5年一次大的转变，让人们对该技术的看法彻底改变了。
大数据从2007年被提出来，到2012年爆发，历时5年；2012—2017年是幻灭期。当然国内对大数据的看法会有所不同，鉴于互联网时期的泡沫，人类更加理性，大数据会存在泡沫，可能不会比当时互联网技术存在的泡沫大。现在大数据在国内仍然处在过热期，各地都在建设大数据中心，包括以贵阳为代表的大数据交易平台也在建设中。对于大数据能否像商品一样用来交易，或是建成像高速公路这样的基础设施供大家使用，目前还没有定论。而且在大数据领域中还有很多未能解决的问题，包括数据所有权问题、数据的安全性问题、隐私保护问题、数据犯罪问题等。
在2017年之后，大数据就会进入一个复苏期。在这期间，大量的数据得到积累和整合，各种数据会关联起来形成可用的数据集，新的应用算法和处理工具会得到普及，查询数据、计算数据、展示数据都不再是少数专业人员的专利。这个时候大数据才会真正应用起来，企业会利用大数据服务来优化自己的生产，会利用大数据来管理自己的企业，并且贡献自己的数据集，丰富整个大数据资源。
互联网是一个公共资源，大数据也将是一个公共资源。笔者认为，把大数据作为一种商品拿来交易并构建交易平台是一件不符合事物基本发展规律的事情，这个有待观察。
讲这些内容其实是在启发读者，“前车之鉴，后事之师”，互联网技术的发展史留给我们太多的财富，我们需要分析和研究，而且要能够马上应用到大数据技术上，预测未来大数据的发展规律。
1.2 预测的必要性和误差的必然性
事物是复杂的，我们对事物的认知是有限的，正因如此，事物在发展的过程中会发生超越我们预期的偶然事件和随机事件，我们把这些叫作误差，误差是必然存在的。随着我们对事物的认知越清楚，掌握的信息数据越完善，这个误差就会越小，偶然事件就会越少。预测不准确是正常的，我们不能因为预测不准确而放弃对事物的预测。掌控未来发展是人类的本能，也是人类进化的动力。
互联网、物联网、智能设备、移动互联网，以及数据分析与挖掘技术的联合作用，让大数据技术的发展如虎添翼。大数据技术必然会更加广泛地应用到企业的生产和管理过程中，应用到生活的方方面面。现在，我们在选择出行路线时会根据地图应用提供的交通流量信息，选择最不堵车的路线，这是一个典型的应用场景——把大数据当作平台和基础设施的应用场景。未来会有越来越多的这种应用场景。
有了这些应用场景，我们就能够预测未来可能会发生的事情。企业之间将不再是价格的竞争，而是根据消费者需求进行定制化的模式竞争，未来企业的规模可能会变小。大企业的存在是为了让更多的人集结在一起做出少数人做不到的事情，大数据带来了人工智能技术，当智能机器可以完成少数人无法完成的任务时，大企业存在的优势将不再显现，而且企业越大，其个性化产品和服务就会越加不灵活。而且人类的组织方式都有可能会发生变化。
通常情况下，有四种预测的方法。
1．经验法
所谓的经验法就是按照过去的经验来预测通过做什么来达到什么结果。例如一个市场总监在A公司做了5年，对于每年花费多少广告费带来多少销售额，用什么方法打广告会更有效果，哪个时间段的广告最能够触达客户从而带来更高的转化率，他都积累了丰富的经验，并且能够形成准确的判断。当他进入B公司后，能够根据以前的经验判断该如何打广告更加有效，让公司的广告效果增加1%，这就是靠经验来预测事物未来的发展状况。
2．类比法
所谓的类比法就是根据A事物的发展历程来判断B这个新事物可能会怎样发展。通过类比相似的事物，把已知事物的发展规律应用到未知事物的发展规律上，这种方法就是类比法。前面我们介绍了通过研究互联网技术的发展史来认知未来大数据技术的发展史，通过类比，就能够对大数据技术有更加深刻的认知。
3．惯性法
事物的发展都会有惯性，这种惯性规律在经济学上特别明显。社会发展的惯性主要是根据人们的行为习惯。人们的行为习惯一旦养成后，如果要更改，则需要一定的时期，这个时期我们就称为惯性期。我们利用事物发展的惯性，对事物未来的发展做出判断的方法就是惯性预测法。
4．逻辑关系法
逻辑关系法是预测的终极武器。如果我们知道两个事物之间的逻辑关系，则根据逻辑关系和一个事物直接得出另外一个事物的方法就是逻辑关系法。例如如果我们知道两个数据之间的函数关系，就能够根据一个变量的数据得到另外一个的数据，这就是逻辑关系预测法。
1.3 经验预测法
经验预测法是最为传统的预测法。如果我们有了丰富的生活阅历和工作阅历，并积累了丰富的经验，那么我们对事物的判断就会更加准确，从而能够做出更加合理的决策。一家公司在招聘高管时首先考察的是经验，其次才会考察学历。在考察学历时，他们不是要考察应聘者在大学中学习的知识，而是考察其所上的大学是否能够证明其优秀。考察应聘者大学的专业和学习成绩是招聘应届毕业生的做法，不是招聘高管的做法。企业在招聘优秀的高级人才时会更加关注应聘者的工作履历，更加关注他在其他公司中做出的成就。同时，根据“经验”，我们认为一个优秀的人才一般都在优秀的公司中，所以企业会更加看重应聘者是不是在优秀的公司中工作过，这些都是为了佐证应聘者拥有丰富的相关“经验”。这也是为什么越是优秀的公司支付的薪酬越低，因为在这样的公司工作能够给优秀的人才“镀金”，能够提高他们的职场价值，让他们在以后的招聘中增值。而一般的公司需要给优秀的人才支付更高的工资才会吸引他们加盟。为什么？一方面因为这些公司的品牌不能为个人品牌镀金，所以就需要支付溢价；另一方面，这些公司不够强大，稳定性差，影响个人职场的稳定性。所以，越是优秀的公司，在人才招聘方面的成本越低，而越是不太强大的公司，用人成本越高——因为我们过度依赖经验来管理。
经验预测法在生活、工作中有大量的应用实例。人们最容易用自己过去的经验做出判断，所以人们几乎每刻都在做着经验预测。
量化的经验预测是一种数据化的方法。单纯依靠少数人的预测往往风险比较高，因为每个人的生活经历都是有限的，并且看问题的视角也是有局限的，所以对于重大决策，在没有其他更好的方法可以预测时，需要让更多的人一起利用经验来预测，这个方法被称作德尔菲法。
德尔菲法的核心思想是：既然每个人都有经验，在一个行业中经历越丰富的人经验越多，但每个人都有局限，所以如果把相关领域内多位专家的意见聚集起来，或者在数据上聚集起来，那么这个经验预测就更加准确了。如果专家之间存在巨大的分歧，那么可以校验分歧产生的原因，并让专家之间相互对话，或者通过研究人员的传话来进行校正，确保得到一个相对中肯的结果。
例如我们要估测一个市场的规模和未来的发展速度，在无法找到其他数据来源的情况下，可以采用德尔菲法，即找到这个市场领域内的专家。他们可能来自行业协会，可能来自主要参与的企业，也可能来自行业投资顾问，每个人看这个市场的视角都不同。第一轮，可以问每位专家对市场规模和增速的看法，让每个人给出一个估计值；然后把这些估计值都放到一起，看哪些人的看法一致，哪些人的看法与其他人明显有偏差。找出这些偏差，然后对这些专家进行第二轮的访谈，询问他们为什么给出这样的估计值，其他专家怎样看这样的估计值，如何评判这个专家的意见。第二轮访谈的主要目的是分享每位专家所拥有的信息，让专家相互评判，从而找到分歧点，有效解决数据不一致的情况。这样一直循环下去，直到大家的看法基本相近后，得到一个估计值，这个估计值就是利用多位专家的经验来做出的预测，这是一个比较典型的经验预测的量化方法。
1.4 类比预测法
事物有很多的相似性，事物发展的规律也有相似性。例如人的成长历程，环境相同，人的成长历程也会有相近之处。当我们“阅人无数”后，基本上能够判断这个人是一个什么样的人。
另外，人的行为习惯和思维习惯都有一致性，虽然会发生剧烈的变化，但在大多数情况下都是可以预测的。我们可以根据一个人对一件事情的反应，找到这个人的行为模式，从而预测其未来的行为模式，这就是类比预测法。
任何人都是社会环境中的产物，在同样社会环境下成长起来的人会有雷同的行为表现方式。
人的行为模式的背后是人的心智模式。无论是九型人格学说还是MBTI的人格测试，其背后都是通过测评人的心智模式来预测人的行为模式，从而为人们找到一个比较好的职业发展路线。通过研究大量人员的行为模式，为个人以后的发展做出指导，这种方式的本质就是类比。
通过一个行业的发展来类比另外一个行业的发展，能够给我们更多的启发。例如智能手机取代了功能手机，苹果打败了诺基亚和摩托罗拉，成为智能手机的领导者；而三星通过快速且深刻的变革，华丽转身为智能手机公司，快速放弃了功能手机，成为行业的第二名。根据智能手机行业的发展规律，我们可以预测未来智能汽车的发展规律。特斯拉是创新型的智能汽车，不是单纯的电动汽车，如果不出意外，特斯拉很可能会彻底颠覆汽车行业，那些原有的行业大佬，像通用、丰田、福特、大众等都有可能被冲击，在短短几年内汽车行业就会重新洗牌。
就像智能手机快速替代功能手机一样，我们有理由相信（类比）智能汽车早晚会替代现在的功能型汽车。智能设备、智能穿戴、智能家居、智能工厂等都是不可逆转的潮流，代表着人类发展的趋势与规律。
如今特斯拉的第三代产品已经出来了，而iPhone直到第四代产品——iPhone4出来才彻底颠覆了手机行业，其前三代产品都在创新和探索阶段，第四代产品才更加成熟，才能所向披靡。研究其他行业的产品也有类似的规律，一般一个软件版本在第一代到第三代都不是特别强大，但是经过三代以上迭代之后，变化就不会太大了。对比iPhone的前三代，每一代都有巨大的创新，特别是iPhone 4奠定了智能手机的典范，而自此之后的变化就不再是跨越式的创新了。Photoshop（PS）是我们经常使用的软件，现在我们对照片进行调整都不说是修改照片，而说是PS照片，可见该软件的盛行。如果你熟悉Photoshop软件的历史版本，就会发现Photoshop从1.0到3.0都有非常大的跨越，但从Photoshop4.0后，其功能并没有发生本质的变化。这也是产品迭代的规律。如果能够坚持把产品做到第四代以上，那么产品基本上就能够在江湖上占据一席之地。
所以如果等到特斯拉推出第四代产品时再出手，那么其他汽车制造厂商就会措手不及。iPhone4用了两三年就彻底颠覆了手机行业，而两三年正是消费者更换一部手机的周期，因而我们可以预测未来汽车行业的颠覆期也会是消费者平均更换一次汽车的周期。在城市中，用户更换汽车的周期是5～7年，那么未来特斯拉第四代能否在5～7年内颠覆汽车行业呢？让我们拭目以待。
作为非行业的参与者，可以以“拭目以待”的方式和心态旁观，但是如今的汽车行业的大佬们如果也拭目以待，则只会成为下一个诺基亚或者摩托罗拉，这些企业需要深度研究为什么三星在手机行业洗牌的时候能够活下来，并且保持着行业第二的成绩。这个研究就可以为预测未来智能汽车行业提供类比的范例。
标杆研究也是一种类比的方法。可以通过研究标杆企业的做法借鉴其经营和管理决策。如果一家公司采用某种管理模式成功解决了一类问题，那么我们也可以采用同样的方法来解决类似的问题。所以当我们对于某些管理问题找不到解决方案时，最简单和高效的方法就是寻找标杆企业的做法。
如果企业在发展过程中总是很难物色到合适的总经理，此时可以研究一下宗毅[1]在《裂变式创业》中的做法：通过让员工持股的方式激励员工内部创业、内部裂变，并通过入股投票的方式选出总经理。
无独有偶，笔者曾经跟山东一家做浸胶纸的企业有过一面之缘。这家企业是全球浸胶纸行业的老大，就如宗毅的芬尼克兹是热泵领域的隐形冠军一样，这家公司的名字叫“东宇鸿翔”，其发展壮大的历史也采用了宗毅的裂变式发展模式，如果公司有新的创新项目，就从现有的经理人中进行选拔，参与入股创业。内部裂变使得这家公司快速发展，有效解决了员工管理问题。
类比法也有其局限性，主要的局限来自于类的可比性。类比的本质含义是同类对比，如果不具有可比性，则类比的预测就会出现问题。当然，没有两个事物是完全相同的，我们还需要在不同的类中寻找共同点，并在这个共同点上找到差异。例如智能手机用了两年就颠覆了功能手机，那是因为人们更换手机的周期比较短，一般为两三年。同样的周期应用到汽车行业就不行了。中国人换车不频繁，而且汽车又是大件商品，价值很高，频繁更换会让消费者投入太大，如果智能汽车不具有颠覆性的技术应用让消费者不换不行，那么消费者更换汽车的周期就不会是两三年，而是更长的时间，例如5～10年。所以在类比的过程中，我们要思考可比的基础是什么，从而在做出预测时，对结论进行修订，确保预测的合理性和准确性，并在以后的过程中反思忽略了哪些重要因素，以后再进行预测时，还需要考虑哪些关键要素。
1.5 惯性法与时间序列分析
惯性预测法是根据事物发展的惯性进行预测，其中最典型的就是趋势分析。炒股的人除要看基本的股指点数外，还要看趋势线，并根据趋势线来判断什么地方是拐点等。
例如为了跟踪股票价格的变化趋势，我们会使用10日均线、20日均线、30日均线和60日均线（见下图），根据均线之间的变换我们可以判别股票价格的短线行情和长线行情，这些都是根据惯性来预测股票价格未来发展规律的方法。

（股票行情图）
本质上，惯性只存在于信息不对称的领域，在信息足够对称的情况下，大家转向的风向一致，那么股票价格就不会有这样的波动图形。在信息不对称的环境下，以信息谋取利润的行业就会有更多的暴利。如果信息已经充分对称了，那么以信息谋取利润的行业就会消失。未来商品的价格会越来越透明，根据信息不对称来销售商品的公司会倒闭，例如天猫就会出现问题。而京东则依靠强大的配送能力，将电商公司做成物流公司。物流是可以增值的，例如一件商品在天猫上卖8元，但用户需要等待3～4天才能收到货，而京东卖8.4元，并且用户上午下订单，下午就能够收到货，在这种情况下，用户觉得多花4毛钱是值得的。这是京东在有天猫这么强大的竞争对手的情况下依然能够生存的根本原因。同时天猫的菜鸟速递应该是应对这个问题的，如果它能做起来就有打败京东的优势，就能够成功，否则天猫很难突破。
时间序列分析模型是最典型的惯性分析法，其本质就是探寻一个事物的数量化指标随着时间变化的规律。如果事物完全按照时间顺序发展，则一定会按照一定的规律继续发展下去，如果是向上的趋势，就会继续向上发展；如果是向下的趋势，就会继续向下发展；如果存在周期性，就会按照周期性的规律发展；如果具有循环往复的特征，就会按照循环往复的特征发展下去。
从上面的描述中可以看出时间序列模型最本质的局限：忽略了现在的变化影响因素。即如果事物过去都是向上发展的，则时间序列认为事物还会继续向上发展，但因为某些特殊的原因，出现了下滑，则这个因素不予考虑，会认为是误差或者受随机因素的影响；如果是向下趋势则也是如此。
时间序列模型有多种类型，这些类型的分类是从事物变化是否具有规律性来评价的。如果事物的变化很有规律性，而随机影响（白噪声）较小，则可以通过惯性预测法对事物的变化进行预测；如果事物变化是有规律的，但噪声过大，容易掩盖事物自身的规律，这个时候惯性预测法就不太适用了。噪声大小是我们是否可以使用惯性预测法来预测的非常重要的因素，噪声大，规律就容易被掩盖，噪声小，我们可以通过消除噪声来发现事物的规律，如下图所示。

我们对事物变化规律的认知其实很有限。一般来说，在利用惯性法探测事物变化规律时，我们能够掌握三种变化规律的探测，分别是季节性（Seasonal）、周期性（Cyclical）、趋势性（Trend）。季节性是与时间有关系的变化规律，例如夏天喝冷饮、啤酒的人多，而冬天喝冷饮、啤酒的人少，这就是我们常说的季节性；周期性是与变量取值有关系的，盛极而衰，触底反弹，当取值达到某一临界值的时候，就会反弹，周而复始地变化；趋势性是随着时间呈现增长或者下降的趋势，这个趋势可能是线性的，也可能是幂级增长或者指数增长的，或者更加复杂的趋势。加上受随机因素影响的不规则变化（Irregular），我们可以构建一个TSCI的数学模型，根据具体情况这个模型还分成“乘法模型”和“加法模型”，乘法模型认为这四种因素是相互影响的，彼此有放大作用的；而加法模型则是假设这四种因素对事物变化的影响是孤立的，效果只是简单的叠加。具体哪种情况适用，可以在分析的时候通过尝试来完成。
除常规使用的TSCI模型外，时间序列是一个非常大的数据模型分支，几十种算法在数学家们的研究下得以推广使用，我们常用的SPSS软件本身就提供了数十种时间序列的算法模型，而且随着计算机计算能力提升和SPSS版本的升级，SPSS还给出了一个功能，就是系统自动使用所有算法遍历计算一遍，然后根据预测的效果，向我们推荐几个时间序列预测算法模型。SPSS的这种遍历择优的方式大大减轻了数据分析师的脑力负担。
1.6 逻辑关系预测法
逻辑关系预测法从预测的角度来看是最简单的方法，但从算法探索的角度来看则是最难的方法。两个事物为什么会相关，其背后的逻辑是什么，一直困扰着数据分析师们。
沃尔玛说，在美国买纸尿裤的一般都是老爸，他们喜欢喝啤酒，在给孩子买纸尿裤的时候会顺便买一些啤酒，所以纸尿裤会和啤酒的销售量有较大的相关性。但是这个相关性是否站得住脚，是否有足够的逻辑解释，还是需要数据的支持，没有数据的完美论证，数据分析师都应持有怀疑的态度。经过多方查证，这只是书中的一个案例，并非实际发生的。
在逻辑关系方面，我们可以用各种模型来解读数据，需要不断尝试才能找到一个最佳的逻辑关系。有些逻辑关系只在某些特殊的情境下才成立，而在其他的情景下就不会成立了。我们在分析啤酒和尿布的关系时发现，卖出10片尿布就会卖出3听啤酒，这种关系可能只存在美国的某个城市中。因为在这个城市中儿童的出生率是一定的，喝啤酒的爸爸的比率也是一定的，而爸爸喝酒的量也有一个相对稳定的值，所以才会得出10:3的比例，这个比例在其他城市中可能就会不同了。所以，任何一个逻辑关系被发现后都要根据“此情此景此数”去思考，即为什么会有这个现象，这个现象是不是能够复制到其他的情境下，数据分析必须有足够的敏感性。
我们最常用的逻辑关系是线性回归关系，即构筑像Y=aX+b这样的关系。但在商业经济环境中，这个公式在某个阶段成立，当到达另外一个阶段时，同样是线性关系，但a和b的值都会发生变化，这与情景有关系。
就如广告和销售额之间的关系，当广告打得过多时反而会引起消费者的反感，从而影响产品的销售。如果不注意调整广告的频率，那么我们在花费更多的钱后，广告效果反而呈现下降的趋势。

例如，我们在研究投入和产出关系的时候，发现前期投入与产出呈现正相关关系，是一个线性回归的关系，当投入增加时，产出效益递减，边际效应显现，到了后期，前期投入与产出呈现逻辑回归的S曲线模型。不同时期适用不同的模型，我们需要通过深度研究找到事物发展的规律，然后再在不同的历史时期选择不同的数学模型来分析，并在过程中不断验证，确保数学模型能够满足管理需要。如果发现不匹配，则需要马上更新数学模型。
逻辑关系的数学模型不是一成不变的，它会随着时间、市场状况的变化而变化。在广告投放效益模型开发的过程中，我们发现了上述的规律。其中第一阶段，因为几乎所有的消费者都没有听说过这个品牌，多一个传播接触点，就会多一个购买可能性，在购买可能性一致的情况下，我们发现这个品牌产品的销售额随着广告的增多在不断增长，呈线性关系。
但是当更多的人知道这个产品之后，一部分的广告因为传播给了那些已经知道并尝试过产品的消费者而被浪费了，那些多次听过广告的人并没有试图购买更多的产品，所以呈现边际效应线性递减。
到了后期，广告仍然在投放，有的消费者觉得受到了骚扰，开始对广告产生了抵触情绪，投放的广告越多，消费者受到的影响越大，所以呈现出一种广告投放越多销量越低的现象。这个时候厂家应该及时停止投放广告，选择沉寂一段时间。
每个逻辑规律都有其成立的条件。在广告投放初期构建的模型，不见得适合中期和后期；在品牌知名度非常低的时候，广告与销售额的关系会被弱化，边际效应显现；与当公司品牌已经非常强大时，广告本应该承担一个提醒功能，这个时候如果还是采用说服式广告就非常不妥了，消费者会觉得这是“忽悠”，其自我保护机制显现，导致销量不再增加，反而出现负增长。

数据分析的终极目标-预测第1辑相关推荐

Excel数据分析案例三——预测销量
Excel数据分析案例三--预测销量题目:有某服装实体店5.1~5.24每天的销售数据表,要求根据现有的销量数据预测接下来一星期,也就是5.25 ~ 5.30的销量,图表大致信息如下此时需要用到E ...
基于Kaggle心脏病数据集的数据分析和分类预测-StatisticalLearning统计学习实验报告
基于Kaggle心脏病数据集的数据分析和分类预测-StatisticalLearning统计学习实验报告一.实验准备本数据来源于kaggle,包含14个维度,303个样本,具体的变量说明如下表所示 ...
Python数据分析案例08——预测泰坦尼克号乘员的生存(机器学习全流程)
上一篇数据分析案例是回归问题,本次案例带来分类问题的机器学习案例.这个数据集比上个案例更小.更简单,代码也不复杂,新手都可以学一学. 1.背景分析预测乘客是否存活下来泰坦尼克号是数据科学机器学习 ...
大数据分析应用领域之预测性分析
什么是大数据预测: 大数据的本质是解决问题,大数据的核心价值就在于预测,而企业经营的核心也是基于预测而做出正确判断. 大数据预测让分析从"面向已经发生的过去"转向"面向即 ...
人工智能时代，数据分析如何帮助预测业务未来？
苹果最新 2022 秋季发布会都看了吗?新产品展示出许多亮眼技术,机器学习就是其中之一,它以人工智能为核心,可为生活服务在内更多个性化功能提供技术支持,发挥着创新引领作用. 机器学习(ML)有着广泛的 ...
#Python #2022卡塔尔世界杯 #FIFA World Cup Qatar 2022 # 机器学习 #数据分析用Python预测世界杯决赛
今天2022年11月29日的凌晨,葡萄牙队2比0获击败乌拉圭队!葡萄牙队提前晋级16强,你熬夜看这场比赛了吗? 今天晚上11点荷兰将对战卡塔尔,NED(荷兰)有望取胜! 现在让我们通过Python数据 ...
Python数据分析入门--灰色预测学习笔记
文章目录一.灰色预测简介二.GM(1,1)模型的原理 1. 级比检验 2. 构造累加序列 3. 生成紧邻均值序列 4. 建立灰微分方程 5. 求解白化方程 6. 精度检验三.Python实现GM ...
#世界杯征文活动 #Python #2022卡塔尔世界杯 #FIFA World Cup Qatar 2022 # 机器学习 #数据分析用Python预测世界杯决赛
今天2022年11月29日的凌晨,葡萄牙队2比0获击败乌拉圭队!葡萄牙队提前晋级16强,你熬夜看这场比赛了吗? 今天晚上11点荷兰将对战卡塔尔,NED(荷兰)有望取胜! 现在让我们通过Python数据 ...
数据分析之房价预测(机器学习，sklearn)
比赛给的数据集给与的是关于某个地区的房屋数据,要求运用机器学习的知识给出合理的房价预测首先导入所需要的包 import pandas as pd import numpy as np import ...

数据分析的终极目标-预测第1辑

数据分析的终极目标-预测第1辑相关推荐

最新文章

热门文章