Prédire les valeurs futures en fonction de l'ensemble de données précédentChers tous,
J'ai un tableau de données qui présente les ventes de l'année 2015 par date de vente.
Après avoir ajouté une colonne Résumé cumulatif, j'ai le montant final du "revenu total" de l'année 2015.
En fonction de ces données (j'ai également les mêmes pour 2012, 2013, 2014 si cela aide une prédiction plus saine), comment vais-je prédire le revenu total de 2016 en remplissant la colonne "Ventes pour 2016" jour par jour ?
Le message a été édité par : Sait Copuroglu
Deuxième tableau de données ajouté "Prédire les valeurs futures années semaines"
Re : Prédire les valeurs finales futures en fonction de l'ensemble de données précédent<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Cher Kévin !
Je préfère être chanceux que bon.Je ne vais pas partager mon travail avec vous... Je vais essayer de vous aider en vous consultant, pas en faisant le travail à votre place. Je serais beaucoup plus heureux. Je n'ai pas demandé les données pour être paresseux mais pour vous faire gagner du temps en essayant de comprendre par moi-même.
Zéro ne manque pas !Les comptables égyptiens avaient un symbole pour zéro en 1740 av.Nous devrions honorer la préhistoire en l'utilisant à la place des données manquantes dans votre dossier. Oui vrai, statistiquement manquant, financièrement nul.
Mais votre graphique des données de 2014 montre une augmentation monotone qui ne correspond pas au grand nombre de zéros (qui manquaient auparavant) dans les données sur les revenus.Donc je suppose que je suis encore plus confus avec cette nouvelle information. En fait, je pourrais créer un tableau de données avec les données de revenus manquantes non affichées, mais chaque année, la date des ventes diffère, j'ai donc pensé pouvoir créer une colonne de date calendaire pour tout balayer. Dans ces circonstances, je pense que faire une variable temporelle "Semaine de l'année" sera bien mieux.
Les formes fonctionnelles sur le graphique se ressemblent toutes d'une année sur l'autre, et vous pouvez faire mieux en utilisant simplement la moyenne des fonctions à chaque jour.Ce serait certainement plus parcimonieux que ma démarche, et peut-être même plus juste.Rappelez-vous, tout ce que vous nous avez donné était deux années partielles... Je suppose que le lissage exponentiel ou la moyenne pondérée serait le meilleur car les loisirs et le tourisme en Turquie en 2016 devraient être plus probables en 2015 plutôt qu'en 2012 et je pense que je peux le gérer.
Je connais très peu l'hôtellerie de villégiature.Mais cela me semble intuitivement que, par exemple, les week-ends seraient plus lucratifs que les jours de semaine, que les vacances d'été seraient plus lucratives que l'hiver, que des vacances comme le Nouvel An rapporteraient plus que les autres jours, etc. En fait, ce que vous décriviez, ce sont les caractéristiques de "Hôtel de ville" entreprise. Le week-end ou les jours de semaine ne jouent pas dans les affaires de l'hôtel de villégiature puisque la nuit moyenne de séjour est de 12. Commence à fonctionner en mai et se termine en novembre (pas de Noël). J'ai donc créé des variables telles que DayOfYear, DayOfWeek, WeekOfYear, Year, etc.J'ai ensuite ajusté les modèles "décents" Neural Net, Bootstrap Forest et Boosted Tree avec la réponse de Revenue avec ces variables en tant que facteurs, et j'ai enregistré les formules de prédiction.J'ai créé une variable qui résumait la moyenne de ces trois prédictions de modèle. Ensuite, j'ai incrémenté les dates jusqu'en 2016, fait les prévisions quotidiennes et additionné les moyennes par année.C'est une approche très naïve qui pourrait probablement être améliorée de façon spectaculaire avec une certaine connaissance du sujet. Les hôtels de villégiature acceptent généralement très peu de réservations directes de leurs clients, mais concluent des contrats avec les voyagistes pour toute l'année à l'avance. 65 % de l'ensemble des revenus sont presque réalisés avec les contrats des mois avant que l'hôtel ne commence à fonctionner (c'est pourquoi la date de vente pour une année d'exploitation donnée correspond également à l'année précédente). Prédire que les 35 % restants proviennent des "ventes à chaud", qui relèvent des compétences de l'équipe de gestion des ventes. Ils donnent une prédiction sur quel marché produira quel montant de ventes et quand, qui est mis dans un fichier Excel et appelé "Revenue Budget" et "Cost Management Team" calcule les dépenses prévues en fonction des données fournies par Revenue Budget et nous appelez-le "Budget des dépenses". Le profit total est la différence des deux. Ce que j'aimerais surveiller, c'est l'écart entre les ventes réelles et le budget des revenus au fur et à mesure que les données de vente arrivent quotidiennement, quel marché est sous-performant ou sur-performant et quel serait le montant final des ventes réelles par rapport au budget des revenus.
Je suppose que je dois d'abord préparer le tableau de données dans un format que je peux utiliser pour les séries chronologiques et le modèle d'ajustement et l'ajustement de Y par X, mais je ne sais pas comment faire. ( comme michael.anderson mentionné " Vous pouvez retirer les effets saisonniers des tendances linéaires des revenus.Cela donne également la possibilité de faire des prévisions.")
J'ai ajouté un tableau de données "Prédire les valeurs futures en semaines" Je suppose que c'est mieux à des fins de démonstration.
Merci d'avance,
Re : Prédire les valeurs finales futures en fonction de l'ensemble de données précédentSalut Saït !
Je préfère être chanceux que bon.Je ne vais pas partager mon travail avec vous... Je vais essayer de vous aider en vous consultant, pas en faisant le travail à votre place.
Zéro ne manque pas !Les comptables égyptiens avaient un symbole pour zéro en 1740 av.Nous devrions honorer la préhistoire en l'utilisant à la place des données manquantes dans votre dossier.
Mais votre graphique des données de 2014 montre une augmentation monotone qui ne correspond pas au grand nombre de zéros (qui manquaient auparavant) dans les données sur les revenus.Donc je suppose que je suis encore plus confus avec cette nouvelle information.
Les formes fonctionnelles sur le graphique se ressemblent toutes d'une année sur l'autre, et vous pouvez faire mieux en utilisant simplement la moyenne des fonctions à chaque jour.Ce serait certainement plus parcimonieux que ma démarche, et peut-être même plus juste.Rappelez-vous, tout ce que vous nous avez donné était deux années partielles...
Je connais très peu l'hôtellerie de villégiature.Mais il me semble intuitif que, par exemple, les week-ends seraient plus lucratifs que les jours de semaine, que les vacances d'été seraient plus lucratives que l'hiver, que des vacances comme le Nouvel An rapporteraient plus que les autres jours, etc. certaines variables comme DayOfYear, DayOfWeek, WeekOfYear, Year, etc.J'ai ensuite ajusté les modèles "décents" Neural Net, Bootstrap Forest et Boosted Tree avec la réponse de Revenue avec ces variables en tant que facteurs, et j'ai enregistré les formules de prédiction.J'ai créé une variable qui résumait la moyenne de ces trois prédictions de modèle. Ensuite, j'ai incrémenté les dates jusqu'en 2016, fait les prévisions quotidiennes et additionné les moyennes par année.C'est une approche très naïve qui pourrait probablement être améliorée de façon spectaculaire avec une certaine connaissance du sujet.
Re : Prédire les valeurs finales futures en fonction de l'ensemble de données précédentEn supposant que vous ayez le problème de données manquantes que Kevin a montré, ce serait probablement un bon choix pour utiliser la plate-forme de séries chronologiques - sous modélisation.Vous pouvez retirer les effets saisonniers des tendances linéaires des revenus.Cela donne également la possibilité de faire des prévisions.
Meilleur,
M
Re : Prédire les valeurs finales futures en fonction de l'ensemble de données précédentCher Kévin,
Merci pour votre attention et pour votre réponse !
En fait, je pense que j'ai beaucoup de chance avec cette prédiction, les données des 4 dernières années évoluent dans un intervalle de confiance de 85 % (veuillez voir la photo insérée).
Voici ce que je recommande :
- Obtenez plus de données.Le dossier que vous avez joint porte essentiellement sur deux années partielles.Ceci est insuffisant pour tout type de prédiction précise d'une variable saisonnière.
- Comprendre les données manquantes.Ils ne semblent pas manquer au hasard.Manquent-ils vraiment ?Zéro?Peuvent-ils être imputés d'une manière ou d'une autre ?Comment? La donnée manquante est "aucune vente à cette date", c'est-à-dire zéro.
- En supposant qu'il s'agit de données hôtelières, réfléchissez à ce qui peut entraîner l'occupation de l'hôtel... jour de la semaine, jour de l'année, semaine de l'année, vacances, conférences, etc. Construisez plusieurs bons modèles défendables en utilisant ces variables avec une validation croisée et faites la moyenne des prédictions des modèles.Utilisez la moyenne des formules de prédiction pour prévoir chaque jour de 2016 et additionnez les jours pour obtenir le revenu total. Oui, vous avez raison, cet ensemble de données concerne un hôtel de villégiature. Pourriez-vous s'il vous plaît aider à comprendre comment construire plusieurs modèles défendables ? Validation croisée?
J'ai ignoré les données manquantes, créé trois modèles, en ai fait la moyenne et prédit 5,4 millions d'euros en 2015 et 7,1 millions d'euros en 2016. De meilleures données soutiendront de meilleurs modèles.De meilleurs modèles soutiendront, espérons-le, de meilleures prédictions. Pourriez-vous s'il vous plaît partager votre travail afin que j'essaie de comprendre comment ignorer les données manquantes, construire des modèles, les moyenner, prédire ? Avez-vous choisi Time Series ou Fit Model ou... ?
Niels Bohr est réputé pour avoir dit "La prédiction est difficile, surtout pour l'avenir".
Merci encore.
Re : Prédire les valeurs finales futures en fonction de l'ensemble de données précédentSalut Saït !
C'est une excellente question : comment prédisez-vous le revenu total en 2016 ?
Voici ce que je recommande :
- Obtenez plus de données.Le dossier que vous avez joint porte essentiellement sur deux années partielles.Ceci est insuffisant pour tout type de prédiction précise d'une variable saisonnière.
- Comprendre les données manquantes.Ils ne semblent pas manquer au hasard.Manquent-ils vraiment ?Zéro?Peuvent-ils être imputés d'une manière ou d'une autre?Comment?
- En supposant qu'il s'agit de données hôtelières, réfléchissez à ce qui peut entraîner l'occupation de l'hôtel... jour de la semaine, jour de l'année, semaine de l'année, vacances, conférences, etc. Construisez plusieurs bons modèles défendables en utilisant ces variables avec une validation croisée et faites la moyenne des prédictions des modèles.Utilisez la moyenne des formules de prédiction pour prévoir chaque jour de 2016 et additionnez les jours pour obtenir le revenu total.
J'ai ignoré les données manquantes, créé trois modèles, en ai fait la moyenne et prédit 5,4 millions d'euros en 2015 et 7,1 millions d'euros en 2016. De meilleures données soutiendront de meilleurs modèles.De meilleurs modèles soutiendront, espérons-le, de meilleures prédictions.
Niels Bohr est réputé pour avoir dit "La prédiction est difficile, surtout pour l'avenir".
Bonne chance!
