创建预测

将您的历史数据扩展到未来。

开始您的预测

您现在已将您的数据从 Metabase 指标存储导入到电子表格中。 这构成了您的历史数据（或者在金融术语中，您的“实际值”）。

在大多数模型中，下一步是创建您的预测（也称为预报）。 请注意，预报基于预期的行动方案，而预测基于各种假设情况（但这两个术语通常可以互换使用）。

什么是预测？ 为什么要进行预测？

当您创建预测时，您试图预测某些系统在未来将如何发展。 常见的例子有

• 天气预报：预测未来几天某个地理区域的天气。
• 通过对一段时间内感染患者数量进行建模来预测流行病的传播。
• 对企业的客户增长进行建模。

创建预测通常有两个原因

1. 决定如何对结果做出反应。 掌握准确的天气预报后，我可以决定明天是否去远足。 或者在更极端的情况下，我可以决定是否在飓风来临前撤离。
2. 决定如何影响结果。 很难影响明天的天气，但您可以影响某些结果。 如果您正在决定是否今天在营销活动上额外花费 10 万美元，那么了解这笔支出在未来可能对客户数量产生多大影响，可以帮助您决定该活动是否值得投资。

预测通常基于两个要素

1. 历史观测。
2. 了解系统如何运作。

预测从根本上不同于猜测。 您可以猜测明天是否会发生飓风，但这种猜测不足以成为您决定是否撤离家园的理由。

相反，您更愿意依赖天气预报，气象学家会根据过去和当前天气条件的详细观测，结合对天气模式如何演变的（复杂）理解来进行预报。 预报当然可能会出错，但预报越好，出错的可能性就越低。

示例：预测水库中的水位

在接下来的关于预测和场景的两个模块中，我们将通过一个示例来说明概念：管理水库中的水位。

假设您是您所在地区水库的经理。 当地居民使用水库中的水进行饮用、洗衣、水球大战等。 河流和运河会随着时间的推移补充水库。

作为一名负责任的水库管理员，您会监测水位。 您还希望预测水位随时间的变化情况。

预测水库水位可能看起来像一个随机的例子，但请耐心等待。 水流入和流出水库恰好与客户流入和流出订阅业务的情况非常相似。

您水库中月底的基本水量计算公式是

期末水位 = 期初水位 + 雨水流入量（来自河流）- 水流出量（给居民）

假设您已经很好地掌握了每个月流入的平均水量。 您有兴趣预测流出量部分。

您的基本计算公式是

水流出量 = 当地人口 * 每位居民的用水量

在电子表格模型中，您应将其设置为

如何创建预测

通常，您会从单个预测开始，这是您对未来的中心看法。

回到我们的电子表格模型，我们已经从 Metabase 导入了一堆实际值。 以我们的水库示例为例，我们的电子表格看起来像这样

我们有 3 个时间序列（人口、用水量和总水流出量）。 为了创建我们的预测，我们需要向前预测这些时间序列中的每一个。

识别和建模您的驱动时间序列

您如何向前预测这些时间序列？ 回到您最初创建预测的原因，您想知道的数字是每月水流出量。 但水流出量很难单独预测。 通常，您会将水流出量分解为组成部分，直到得到您可以预测的内容。

在我们的例子中，我们将我们的指标分解为

水流出量 = 当地人口 * 每位居民的用水量

我们可以合理准确地预测此公式中的最后两个变量

• 您查看当地的研究，从历史上看，当地人口每年增长 6%，预计将继续这样做（每月约 0.5%，忽略复合增长）。
• 当您回顾过去的数据并将用水量与人口进行比较时，您会观察到每位居民的用水量一直相当稳定，为每年 10 立方米。

有了这些知识，您可以预测这两个驱动时间序列。

从这里，您可以使用以下公式预测您的依赖时间序列，即每月总水流出量（请参阅“公式”列）

概括来说，我们从我们想知道的内容开始，即我们的依赖时间序列（每月水流出量），并将水流出量分解为我们可以独立预测的组成部分，这些组成部分就是我们的驱动时间序列。

什么才是好的驱动时间序列？

从根本上说，驱动时间序列需要是您可以独立预测的内容。 这里存在一定的判断成分。 对于当地人口，假设您有可靠的来源来证明每年 6% 的增长率。 这样看来是合理的。

但是，如果您无法直接预测您选择的驱动因素，则需要将其分解为它们自己的驱动时间序列。 例如，您可能希望将每位居民的用水量分解为其自身的驱动因素

每位居民的用水量 = 每位居民的饮用水量 + 每位居民的平均后院面积 * 每单位后院面积的用水量

请注意，您可以继续这样做，进一步细分驱动因素。 细分到什么程度的决定将决定您模型的复杂程度。 但这里存在一个权衡。 通常，您的模型越复杂，您将花费更多的时间来构建、更新和调试它——而这些工作可能不会产生更好的预测。

选择您可以影响的驱动因素也很有帮助。 例如，在财务模型中，产品的成本是一个很好的驱动因素，因为您可以决定产品的成本。 此外，您可能希望看到价格变化的影响，因此最好使用产品成本作为驱动因素。

预测驱动时间序列的方法

让我们介绍一下如何为基线模型创建预测。 也就是说，您正在尝试根据驱动因素过去的行为尽可能忠实地预测它们。 在下一个模块中，我们将讨论如果您想偏离此基线该怎么办（例如，如果您正在考虑使用场景来创建未来的替代视图。）

有一些常用的预测方法用于预测电子表格模型中的驱动因素。

常数法

常数法假设您的驱动因素不会随时间变化。

实施常数法的一种方法是假设该数字在一段时间内具有相同的、单一的绝对值

在电子表格模型中使用常数法

• 在工作表顶部的输入单元格中写入指标的绝对值（在本例中为单元格 B2）
• 将驱动因素预测单元格链接回该输入单元格

或者，您可以使用常数法，方法是取最近期间的平均值。 常用的范围是最近 12 个月、6 个月或 3 个月。

在电子表格模型中执行此操作

• 在预测单元格中使用 average 公式，参考后面的单元格
• 使用公式中的 $ 符号锁定参考（如下所示）并将其填充到整个区域

移动窗口法

移动窗口法假设您未来的指标的变化率与您最近的指标相同。

实际值和预测值的组合用于进行下一个预测。 例如，您可以取前三个月的移动平均值

三个月移动平均预测将取最近三个实际值的平均值（如果存在这些实际值）（例如，四月份的预测）。 但是，如果这些月份尚未发生，则预测将取实际值和预测值的平均值（例如，五月份的预测）。

在电子表格模型中使用移动窗口法

• 在预测单元格中使用 average 公式，参考后面的单元格。
• 将其填充到整个区域，无需使用 $ 锁定单元格引用。

线性增长法

使用线性增长法，您可以预测您的数字以固定速率增长。 对于我们的用水需求模型，您可能需要考虑您所在地区的洗车业务数量。 平均而言，每四个月开设一家新的洗车店，即每月 0.25 家洗车店。

您的驱动时间序列可能如下所示

是否应舍入小数是一个个人风格问题。 如果您暗示有四分之一的洗车店，一些建模者可能会崩溃，但通常不舍入数字不会影响模型的结果。

在电子表格模型中执行此操作

• 在顶部创建一个输入单元格，其中包含您的指标每月增加的量。 如果您的模型按季度或年度运行，请使用您的指标每季度或每年增加的量。
• 在您的时间序列预测单元格中，您将构建如下所示的公式
  • =D7 美元：这里您参考的是我们实际值的最后一个数字，即您的预测起点。
  • +COUNTA(E6 美元:E6) * B2 美元：这里您将每月新增洗车店的数量乘以您的预测中的月数。 请注意，您正在使用 $ 锁定对范围 E6 美元:E6 第一部分的引用，以便随着范围的扩大，计数的月数会增加。
• 将公式向右填充。

指数增长法

某些指标自然会以指数方式增长。 也就是说，每个月您都会在前一个月的价值基础上增加固定百分比。 为了说明我们用水示例中的指数增长效应，让我们假设当地人口每月增长 5%。

在此示例中，四月份的值表示比五月份的值增长 5%，依此类推。

在电子表格中对指数增长进行建模

• 在顶部创建一个输入单元格，其中包含您的指标的每月增长率。 如果您的模型按季度或年度运行，则此数量将为季度或年度增长率。
• 在您的时间序列预测单元格中，您应将前一个单元格的值乘以 1 + 每月增长率。 您应加上 1，以便将前一个单元格的值乘以 105%，而不是 5%。
• 将公式向右填充。

提取您的假设

在大多数这些方法中都存在假设。 例如，每月新增洗车店的数量或当地人口增长率。 良好的建模做法是在模型的顶部创建一个假设（或输入）部分，并将您的公式链接回这些单元格。

此部分为您提供了一个更新假设的统一位置，而无需遍历和编辑每个单独的公式。 将数值输入直接写入公式称为“硬编码”，这被认为是一种不良做法，因为它使模型难以更新。

想象一下，您将一个数字硬编码到一个公式中，然后将该值填充到一行中的 50 个单元格中。 然后您对模型中的所有 100 行执行此操作，其中每一行都有自己的输入。 如果您想更改一个输入数字，您必须梳理每一行，更新数字，然后确保您没有遗漏旧数字的任何实例。 将其与必须更新单个输入单元格进行比较。

当您查看下一个模块中的场景时，在一个位置拥有您的假设将派上用场。