都说现在是大数据的时代，这个概念其实在上世纪末就被提出来了！SGI的首席科学家 John R. Mashey 1998年首次提出的！其实大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。对于庞大的数据，怎样处理就成为了一个问题，其中计算机分析成其中的一种选择！计算机分析大数据绝不是一时性的。随着数据量的不断增长，分析大数据的方式也将改善。涉及到预测性分析的应用时，我们只看到冰山一角。它通过数据挖掘、机器学习、AI技术帮助组织机构分析现有数据，比如预测销售额、优化营销活动等，这些人工智能技术还有待改进。通过大数据分析，未来的趋势走向会是怎样的了？

趋势1：大公司将主导AI

亚马逊、谷歌、Facebook、IBM将成为AI领头羊。大公司拥有大量资源来收集数据，因此会有更多数据为其所用。

以下是AI领域的顶尖公司：

亚马逊

投资人工智能已超过20年

抓取超过50亿网页的数据

亚马逊物流中心有超过50万张描述产品的JPEG图像和相应的JSON元数据文件

每日监测全球广播、印刷物、网络新闻的记录超过40亿份

近1亿图像和具有注释的视频

亚马逊的Echo领先语音助理市场

谷歌

是拥有最大存储库的数据集之一，数据达10-15Exabyte——Cirrus Insight

专注于应用和产品开发，而非长期AI研究

超过1300位研究人员的团队——谷歌大脑

占据声控助理市场23.8%的用户份额——Voicebot

任何人都能使用的机器学习开源平台TensorFlow

谷歌地球数据库大约是3017TB或者近3Petabytes——Google Earth Blog

谷歌街景有近20Petabytes的街道照片—— Peta Pixel

Facebook

每天处理25亿的内容和500多TB的数据——Tech Crunch

Facebook有约80名人工智能研究员——FAIR

日均生成20亿“赞”和3亿照片——Tech Crunch

每30分钟扫描月105TB数据——Tech Crunch

建有一个62000平方英尺的数据中心，可以容纳500台机架

每天用超过40种语言翻译20亿用户帖，8亿用户可以看到翻译——Fortune

在部署机器学习和产品应用开发方面，谷歌很可能处在最前沿。谷歌的研究范围涵盖机器学习、自然语言处理、机器学习算法和技术、机器人技术等领域。

趋势2：算法和数据并行

投资人工智能的第二梯队，如英特尔、推特等，将追随拥有数据的大公司，并使用它们的数据算法。数据交易将发生在行业内部，算法和技术将得以巩固。

谷歌、FB等巨头收购小公司后，算法将被集成到其核心平台。谷歌收购了DeepMind以获取竞争优势。另一方面，FB收购了Wit.ai来提升语音识别和语音接口业务。它还收购了AI创业公司Ozlo，以改善其虚拟助理业务。

趋势3：众包数据需求巨大

所有的人工智能公司都将想方设法获得海量数据集，来实现其AI伟业。这些公司会开始收集众包数据。公司已经找到评估众包数据质量和真实性的不同方法。企业方会从这些数据中受益，消费者也得到了话语权。

谷歌通过众包获取了大量图片，来构建其成像算法。谷歌还通过众包改进翻译等服务。亚马逊通过众包AI来提高Alexa的技能。

趋势4：大鱼吃小鱼

CBInsights统计数据显示，收购AI公司的竞赛已经开始。2018年竞争会越发激烈。很多机器学习和AI的小公司都会被大企业收购，原因有二：

首先，AI无法在缺少数据集的情况下独立工作。大公司拥有大量数据，小公司会失去竞争力。

其次，没有数据的算法毫无用处。反之亦然。数据是算法的核心，因此获取大量数据将成为重中之重。

请期待：大数据分析后的未来趋势，你预测对了吗？（前篇）

（原文来自：多多达人机器人）

　　【IT168 资讯】数据科学已经被应用于现代工作场所的许多问题中。由于更快的计算和更便宜的存储，我们已经能够预测和计算之前可能要花费人工几个小时来处理的结果。保险索赔分析师现在可以利用算法来帮助检测欺诈行为，零售商可以更好地定制你的在线和店内体验，这一切都要归功于数据科学。我们结合了几个现实生活项目的例子，以及其他一些团队的其他一些想法。

　　预测最佳零售地点

　　商业成功的真正因素之一是“位置”。当你看到一个总是有新的餐馆或商店的地方时，你可能已经明白了这一点。出于某种原因，它永远不会成功。这迫使企业长期以来都需要认真思考哪里才是最适合开展业务的地方。答案是你的顾客在考虑你的产品的时候。但那是哪里？

　　这里列举一个例子是Buxtonco，它正在回答你应该在哪里打开你的下一个数据业务！有网站表示，

　　“任何零售商都可以通过了解他们的客户来取得更大的成功和发展，并且有科学的方式可以确定客户是谁，潜在客户在哪里以及哪些客户才是最有价值的。”

　　这项技术可以帮助你确定开设下一个业务的最佳位置，无论你从事的是咖啡店还是服装店。但数据科学和机器学习的力量有时似乎仅限于互联网。然而，信息却能够提供在线和现实生活中的力量。

　　预测患者重新入院的原因

　　能够预测患者再入院可以帮助医院降低成本，并增加人口健康。了解谁可能被重新接纳，也可以帮助数据科学家找到被重新接纳的特定人群的“原因”。这不仅因为公共卫生重要，而且因为在30天之前再次入院时负担得起的医疗行为减少了索赔的医疗补助金额。

　　不仅仅是典型的索赔数据，全国各地的医院都正在融合多种数据来源，以深入了解造成再入院的原因。研究再入院和社会经济数据点之间的联系，如收入，地址，犯罪率和空气污染是常见的方法之一。

　　类似于营销人员使用机器学习和产品推荐系统来定位客户的方式，该系统将社会经济数据点作为要素来告诉客户如何销售。医院正在努力根据其他类似患者过去的反应来更好地定制他们的护理方式来帮助患者。

　　在操作之后，即使是在正确的时间拨打电话，也能减少再次发生的数量。有时病人再次入院的原因可能与医生在医院接受治疗无关，而可能是病人不知道如何服药，或者他们家里没有人帮忙照顾他们而已。因此，能够找出重新接纳背后的原因，可以反过来解决这个问题。一旦决策者理解了这个原因，开发更好的方法来处理每个患者就容易多了。

　　检测保险欺诈

　　保险欺诈的事件每年可能会花费公司和消费者（谁受到更高的利率）数百亿美元。为了弄清这个问题，试图证明索赔是欺诈性的，反过来可能会使公司花费超过索赔本身的原始成本。

　　这就是为什么许多公司已经转向用机器学习和预测模型来检测欺诈行为，这有助于查明人力审计人员应该研究的更多索赔。这种方法不仅降低了人工的成本，而且还增加了从欺诈索赔中追回被盗的资金的机会。

　　一旦你有一个很好的调整算法，你的团队处理欺诈索赔的准确性和速度将大大增加。

　　当你走进商店时，实体店会预测产品需求和价格

　　针对特定客户定价的概念是许多公司实施的一种经过验证的真实方法。如果推销员认为你穿着昂贵的西装，那么他们可能会以较高的价格为你提供他们当天早些时候卖的那辆车。同样，现在电脑可以量化最好的价格，鼓励顾客做出购买决定，同时也使利润最大化。

　　这甚至不限于电子商务。如果在生活中，一旦顾客走进门，实际上零售商店实际上就已经启用了过去的购买历史。

　　它可以帮助你选择适合你的店铺。他们可以将这些数据与你的个人资料和工资估算等其他信息融合在一起。他们也会十分清楚你赚了多少钱和你的购买习惯如何，甚至可能会从前面的推销员或售货员那里得到一些消息。所有这一切的结合将使他们能够更好地为你和其他像你这样的客户量身定制体验。

　　对于喜欢亲自购买衣服和其他产品的顾客来说，这可能有助于为部分公司提供重要的竞争优势，而这些公司已经倾向于不仅仅是销售，而是专注于经验。另外，公司可以更好地规划哪个销售人员与哪个客户合作。也许他们可以预测销售与客户相处可以达到的满意匹配度。

　　管理IT服务台需要一个平衡，有足够的技术支持专业人员，以减少等待时间，并保持高的客户满意度，同时保持低成本，没有太多的人同时工作。

　　检测谁在召集资金

　　作为一个筹集资金的人，自动化只会在涉及到捐赠者方面起到作用。某些捐赠者可能会对自定义电子邮件做出更好的回应，也许他们对电话的回应会更好。这是数据科学和有针对性的信息和方法可以帮助的地方。

　　营销部门已经开始对其网站和电子邮件进行A / B测试等技术，以帮助说服客户购买产品，从而找到合适的捐助者。

　　这其中的关键是要开始收集数据并进行高效管理。尽管这个用例是可能的，但是除了excel或者基本的数据库之外，其中大部分都没有以任何形式存储数据。这就是为什么迈出的第一步是创建一个能够提供未来见解的数据系统。

　　预测患者何时需要行为健康程序与他们的物理医疗程序合作

　　有三分之一的患有身体疾病的人群也患有伴随的精神健康状况，这加剧了身体疾病，降低了生活质量，并增加了医疗成本。一些公司发现，如果他们帮助改善心理健康和顾客的身体健康，有助于改善他们的整体健康状况并降低患者的成本。该公司正通过策划有效的护理团队并将他们的专业知识与数据驱动的见解相结合，致力于建立一个协作式的健康生态系统。

　　同时也可以与保险提供商合作开展类似项目，帮助他们计算，还节省了30万的开支。

　　数据科学是一个让公司更好地服务客户和利润的工具。但是，这一切都始于确保贵公司提出了正确的问题。如果一家公司没有从正确的使用案例和问题开始，则可能花费数千至数百万美元。这大部分归结为通信故障。将抽象的商业指令转化为具体的模型和报告是非常困难的，这些模型和报告将对需要的决策提供影响。

　　数据科学家配备工具，会增加个人成长和部门绩效。如果你想开始看到你的团队的成长，那么就从这里开始吧！

人们无法抗拒“预测未来”诱惑。但在以前，我们很大程度上依赖于直觉来形成预测。然而随着技术的飞速发展，人工智能（AI）的进步可能很快就会让我们把未来的预测建立在可靠的统计模型上。

”预测分析”意味着什么

预测分析是一种数据挖掘的形式，它基于历史数据，利用机器学习和统计建模来预测未来的事态。我们可以从Google趋势中看出，过去5年来，带有“预测分析”话题的搜索量有了显着的增长：

我们可以看着这条线，并预测这条线会持续增长。但这仅仅是基于最近的历史趋势，或者根据我们听到的很多关于这个行业的话题的议论。对我们来说，要真正确定下一步怎么走，需要进行更多的调研。

据预测，到2020年，每年在全球大数据技术上的花费将超过760亿美元，而这项投资获得回报最好的方式就是利用这些数据来预测未来的需求。

但正如我们所看到的，这是一项艰巨的任务。如果我们要做出正确的预测，还需要一些帮助。因此，在Gartner报告中，无论在描述性分析还是诊断分析，预测分析被都视为一种革命式的飞越。

也就是说，想获得准确预测分析的愿望并不新奇，尝试使用分析来模拟未来的消费者行为也不新奇。许多分析专业人士每天都在与这个领域奋斗，来计算他们典型客户的生命周期价值（LTV）等数据。各种各样的数据集的可用性则大大提高了这些算法的准确性。

相对较前卫的方式是利用AI来填补我们技能上的空白，并扩展预测分析的可能性——通过消费者过去的行为模式生成了更复杂的统计模型，并通过这些模型来预测未来可能的行为。

为什么AI能有效地实现人类做不到的事？

预测分析在现实世界中如何应用？

虽然每个人都是独一无二的，但AI能够基于我们过去的行动，以及相似的人的行为，非常准确地预测我们将继续做什么。

早在2007年麻省理工学院媒体实验室的一项研究就发现，“大多数人在一天中所做的事情中，90%的人都遵循着一定的规律，他们的行为可以通过一些数学模型来预测。”

AI在营销领域的发展，在于它能够识别出人类根本看不到的更广泛的模式。我们根据我们认为安全的假设来选择调查区域，而AI可以识别其他的变量，当这些变量被改变时，会产生更深远的影响。

这种方法（通过使用回归分析模型）是对全世界不断变化着的消费者生活的一个恰当的反映。

例如，基于位置、年龄、过去的购买记录和性别，如果顾客刚刚在购物车里添加了面包，那他有多大可能性买牛奶？根据预测购买这些产品的倾向，网上超市可以利用这些信息自动推荐产品给消费者。

此外，金融服务提供商可以利用客户及其类似的人在线交互时创建的数以千计的数据点，来决定推荐哪种信用卡给客户。一个时装零售商可以根据客户购买的牛仔裤的数据资料，决定接下来推荐哪一双鞋给他。

以上这些有助于企业提高客户转化率，但影响远不止此。预测分析还能让公司根据消费者的期望和竞争对手的情况来制定定价策略。甚至于帮助零售商预测商品需求，确保每个产品都有合适的库存。

预测分析甚至可以通过发现客户偏好的变化来为开发新产品线提出建议。这标志着数据分析从专家的专属追溯工具转变为一种基本的预测功能，可以塑造业务战略，改善客户关系和提升运营效率。

事实上，最近的Forrester 报告指出，“预测市场人员的收入增长率比行业平均水平高2.9倍。”

这场变革已经在我们周围得到证明，例如，每当我们在Google，Facebook或Amazon输入搜索查询时，我们就会将数据输入到机器中。机器在通过接收到不断增加的数据反馈信息，变得越来越智能。

有一个观点认为，预测是智能的基础，所以这是AI的一项壮举。

但这只是一个开始。目前预测分析工作的大部分重点在于提出建议或意见，距离可以形成营销策略关键点的AI预测还有一定空间。

企业如何整合预测分析？

1

正确的问题

最好的预测分析项目从一个正确的假设开始。尽管我们应该提供机器学习算法，以便在数据点之间建立自己的客观关联，但我们需要着手解决我们要克服的业务挑战。正确的问题有助于为我们提供一些努力的方向。

2

正确的数据

过去十年数据科学的进步意味着我们可以从大量非结构化数据中获得更准确的见解，但我们仍然需要完整的数据集才能得出令人信服的结论。

因此，通过预测分析定义你想要回答的问题之后的下一个阶段是弄清哪些数据对你有用，以及这些数据在回答你的问题的时候是否足够令人信服。

3

正确的技术

正如预计到2020年的760亿美元的预期价值一样，大数据技术是一个蓬勃发展的产业。数据的创建速度飞快，我们需要不断改进的技术能力来捕捉、存储、理解它。

许多领先的分析软件包已经推出了预测性分析工具，但它们的方法却有所不同，要决定哪种解决方案最适合你的业务。更重要的是，拥有一个具有经验的团队，并且可以确定最合适的选择。

4

正确的人

回到了第一点，没有合适的人，提出正确的问题是非常困难的，也很难知道需要哪些数据来回答这些问题，或者从最新的技术中获得最好的数据。在所有关于AI取代人类的讨论中，人们会把重点放在正确的人如何充分利用AI创造的新机会上。

（本文编译自ClickZ）

END

关于Chinapex创略

Chinapex创略是一家领先的数据技术公司，解决企业面临的最大数据难题——从抓取、分析到行动，完成企业数据应用闭环。我们独特的企业级解决方案核心是一个智能且实时的客户数据平台，将最好的数据管理、BI以及AI融入一个完美的解决方案，用于智能分析、营销，运营，和个性化。

回复“案例”，可查阅Chinapex创略智能客户数据平台案例

回复“奖项”，可查阅Chinapex创略公司和产品若干奖项

回复“数据驱动营销“，了解企业级智能数据驱动营销解决方案

回复“客户数据平台”，了解企业级 智能客户数据平台 解决方案

文|帆软数据应用研究院 汪建辉

什么是流动性风险？

流动性风险管理是银行风险管理的主要内容之一，是指商业银行掌握的可即时支付的流动性资产无法满足支付需求，从而使其丧失清偿能力的可能性。流动性风险与信用风险、操作风险相比，形成的原因更加复杂和广泛，其产生除了因为流动性计划可能不完善之外，信用、市场、操作等风险领域的管理缺陷同样可能会导致流动性不足，故流动性风险通常被视为一种综合性风险。如果银行出现了流动性问题，很可能会引发挤兑现象，从而导致银行破产倒闭。

为什么会发生流动性风险

流动性风险经常是银行破产倒闭的直接原因，比如在次贷危机期间，大名鼎鼎的雷曼兄弟就是因为流动性风险集中爆发而导致最终破产清偿的。

既然流动性风险对银行影响那么大，那到底是什么原因导致了银行的流动性风险的产生呢？流动性风险是银行的专有名词，所有产生的原因自然也和银行的经营特性密不可分。那么商业银行有哪些经营的特点呢？总结起来是以下两点。

1、银行是负债经营的

银行是一个高杠杆的金融企业，实际资本和他所背负的负债相比少之又少，他是靠少量的资本金和良好的信用来撬动巨额的负债。商业银行负债经营的特点又叫高负债错配，通俗来讲就是资产和负债之间存在着期限上的错配，比如存款都来自于短期，但是贷款更多的都是在中长期，这里面就存在存贷款期限错配情况。在这种框架下流动性和利率风险是比较高的，如果大家短期的存款集中需要取出的时候，贷款又没有收回，就会导致银行难以支付大家的取款需求，由此就出现了流动性风险。

2、商业和社会双重属性

商业银行作为一个企业机构，其本质是以营利为目的的，但是商业银行同时又是一个很重要的金融机构，具有很强的社会性，这样的金融机构必然要接受外部比较强的监管，比如需要满足人民银行、银监会等机构的监管。在监管的压力下银行不得不对流动性进行符合要求的管理，但是这往往会导致短期内银行的营利能力下降，股东的利益也因此受损。所以合理的流动性管理已经越来越受到银行领导的重视，大家都希望能够在满足长期稳定经营的要求下更够有更多的资金可以用来进行盈利性经营，实现流动资金和盈利资金的完美平衡。

不难看到，其实银行流动性风险的根源就是高负债期限错配，同时和信用风险、利率风险、汇率风险和经营风险也存在着千丝万缕的联系。期限错配一般是指借短放长，比如吸收短期存款但是放出长期贷款，一旦没有持续的存款进来，就可能会产生流动性风险。当然，一些表外业务，比如说担保、承诺、银行承兑汇票、理财产品等，他们都会对银行流动性和现金流产生影响。

从上面的介绍不难知道，流动性其实是包含两个层面的。第一层面是资产的流动性，如果资产随时能够得到偿还或者在不贬值的情况下变现，那么这笔资产的流动性是很好的，反之就是资产流动性不佳。第二个层面是负债的流动性，负债存款经常会有波动，如果波动出现缺口之后，商业银行能够以比较低的融资成本，获取资金来应对缺口满足负债的偿付，那么负债流动性是比较好的。反之说明负债流动性是差的。

流动性风险管理指标

根据公开资料，过去二十多年国内商业银行在资产负债管理领域演进的过程大概分为三个阶段。

第一个阶段，时间在1994年之前，称之为传统信贷规模的管控时期，主要接受来自于央行下达的信贷规模管控。

第二阶段是1994-2006年，称之为比例指标管理时期。当时人民银行建立了以存贷比为核心的资产负债比例管理体系，存贷比是最主要的流动性风险指标。

第三阶段是2006-2015，商业银行流动性管理步入了资本为约束的全面风险管理时期，新增了部分流动性指标，如核心负债依存度、流动性缺口率等。

第四阶段是2015年之后，中国银监会陆续制定了流动性各项指标，比如流动性比例、流动性覆盖率（LCR）。除了监管指标还有监测指标：包括存贷比、流动性缺口率、核心负债依存度、同业负债比例以及最重要的流动性缺口。同时2016年人民银行又出台了宏观审慎评估体系考核（MPA），进一步加强了银行风险管理。

流动性风险管理的内容

上面介绍了我国商业银行流动性风险管理的主要监管指标发展进程，那么针对这些监管指标，我们该如何去管理银行的流动性风险呢？流动性风险上面提到主要分为两个方面，一个是资产流动性风险，一个是负债流动性风险。

1.资产流动性风险

资产流动性风险的主要监控指标包括流动性比率、流动性缺口率、存贷比例，旨在合理提高贷款等资产回收能力和速度，比如增加贷款流动性、适当减小贷款规模等。

流动性比率=流动性资产/流动性负债

流动性比率越高，说明资产回收能力强并且负债期限较长，不容易出现集中取款的情况，即使出现临时的大额流动性需求，也可以通过资产的回收进行流动性补充，从而消除流动性风险。

流动性缺口率=流动性缺口/90天内到期表内外资产

流动性缺口率越高意味着流动性缺口较大，但是能够用于即时偿付的可回收资产不够，这样就会导致银行难以支付客户需求的情况，流动性风险随之高涨。

存贷比例=贷款余额/存款余额

存贷比例是一个比较粗放的指标，但是能在一定程度上反映负债偿还能力，如果存贷比例过高，将导致银行可用于支付的流动性资产较少，如果一旦出现客户支取大量存款，将很容易引发流动性风险爆发。

2.负债流动性风险

负债流动性主要监控指标包括核心负债比例、资金来源集中度、各项存款结构、核心存款/总资产等，主要是为了让存款来源更加多元化、结构更加合理，能够以合理的融资成本及时获取大量资金来对冲流动性风险。其实，负债流动性风险最应该关注的就是存款的稳定性。

核心负债依存度=核心负债/总负债

银行负债的稳定性有核心负债保证，如果负债能够比较稳定，并且比例相对比较高的话，流动性风险就会相应的降低。

资金来源集中度=最大十家存款户余额/总负债

资金来源如果太过于集中，对于银行流动性风险管理来说是不利的，一旦有大户需要支取大量存款，则很容易出现难以偿付的情况。

流动性风险管理解决方案

管理流动性风险，银行必须从制度到系统建立起一套完整的风险防范机制。比如建立有序的报告制度，制定年度风险政策，定期检测期限错配问题以及建立总分行现金头寸预测报告和实时监控体系，帆软在银行多年的深耕已经建立起一整套风险监控平台方案。

从专业委员会、董事会、高层管理、风险管理部、内部审计部到财务部都有完整闭环的管理体系支撑，比如对于风险管理部，我们提供了每日限额监控和早期预警指标监控，并且为他们提供了一整套的“客户行为监测模型”，通过前端日报月报的形式形成风险评估报告，自动推动给高层领导。

这些都是静态报表，对于一些分析体系之外的临时分析需求，我们给业务人员提供了智能自助分析平台，业务人员可以在这个分析平上自助取数进行数据分析，发现常规报表中无法监测到的问题，及时修复风险监测模型。

流动性风险管理中，备付管理是核心，头寸和现金流预测是基础。所以帆软在关注常规备付能力管理的同时，也非常重视头寸和现金流预测。

在FineBI5.0版本中我们提供了常用的数据挖掘算法，比如使用时间序列预测ATM机现金需求量，或者可以对存贷客户进行分类和聚类数据挖掘，找出对于银行流动性风险影响较大的客户群体进行重点监控，提供这部分客户的备付资金，防止流动性缺口持续扩大。

拿ATM机现金需求量预测为例，在FineBI5.0中拖入历史数据后，在数据挖掘参数调节框中输入预测长度、预测周期和是否考虑季节因素和置信区间等条件后，点击确定即可得出快速挖掘预测的结果。

通过这个预测分析，我们就知道4月7日这一天最多准备24万，最少准备13万左右就够了。这还仅仅是通过时间周期来预测现金需求量，但是实际情况往往更加复杂，比如预测国庆期间的需求量，那就不是简单的时间序列问题了，可能需要用到支持向量机（SVM）等挖掘算法等，这个在FineBI5.0中可以通过我们集成的R语言来进行深度数据挖掘。

总结

流动性风险管理不仅是银监的监管要求，也是行内全面风险管理的要求。在帆软的大量银行客户中，很多在流动性风险管理方面已经走得很前列了，一些农商行也开始不满足于省联社的系统，开始自己尝试做一些针对自己行内情况的风险管理系统，甚至有些已经从限额指标体系、分级流动性储备体系、分级压力测试体系、分级流动性预警体系、逐渐增加的监控频度等五个方面全面细化流动性风险管理了。

一般来说，流动性风险和盈利目标是一对天敌，但是优秀的流动性管理能够在精准满足行内流动性的同时保证全行盈利资金最大化。帆软基于大量的数据化流动性管理实践为更多的银行客户带去了价值，让客户能够在报表和商业智能系统之外发掘到更多的业务场景，使场景化数据应用成为银行增长的新兴引擎。

数据分析师看世界杯的正确姿势是什么？

约上老友，豪饮冰啤。

利用大数据，借助好工具，来一个数据分析视角下的冠军预测。

这才是数据分析师看世界杯的正确姿势。

今晚23:00，对全球的球迷来说都是个期盼已久的时刻，俄罗斯世界杯终于来了。

对于没有时间看球的加班党来说，不能和其他球迷一起感受激动人心的进球惊喜，总可以猜猜比赛的结果吧？

所以，首场俄罗斯对阵沙特阿拉伯，谁会赢？

像这样的令人跃跃欲试的猜测，能够持续31天、64场比赛。

到底谁能在7月15日的卢日尼基体育场完美上演冠军表现呢？不同主队的球迷可能有着完全不同的答案。

那么，作为一个球迷，当你看到下面这张图的时候，你最先看到的是哪面国旗？

你第一眼看到的国旗大概就是你心里的答案了。

当然你心里的答案也不是空穴来风，可能是源于对某个球星的疯狂热爱，也可能是因为你对各届世界杯的了如指掌，每个人都有自己判断的依据。

一、几种猜测方法

笔者总结了网上流行的几种预测方式，帮你成为“预言帝”

1.归纳演绎法

这应该是忠实球迷最常用的方式了。主要是基于个人对于球队、球员个人能力、阵容分析、历史战绩、球队主帅等历史信息进行判断。

以德国为例：德国队共参加过18次世界杯，13次晋级四强，8次杀入世界杯决赛，获得过4次冠军、4次亚军、4次季军，是世界杯的传统豪强。

而在上届世界杯中，德国以5胜1平的不败战绩闯入决赛，与梅西领衔的阿根廷争夺大力神杯。双方在常规时间内战成0-0平，格策替补登场，在加时赛中打入制胜球绝杀阿根廷，第四次夺得世界杯冠军。

以此方式对比各个球队的实力，通过小组赛抽签结果判断出死亡之组，然后分析能够出线的球队。再以此为基础判断后续的1/8、1/4、决赛结果。

根据这种方法，某球迷给出的他认为的夺冠热门球队是德国、巴西、法国、葡萄牙。

2.地域判断法

从世界杯近百年的历史来看，每一届的冠军都来自欧洲和南美洲。因此，综合历史和实力考虑，绝大多数的球迷都认为，今年的冠军依然会在这两个大洲中产生。

毕竟，非欧美国家在世界杯历史上取得的最好成绩是2002年打入四强的韩国。

至于这一届的冠军是来自欧洲还是南美？力挺欧洲国家的球迷给出了两个理由：

（1）历史结果

细数以往的世界杯，从2006年世界杯以后，随着意大利、西班牙和德国的连续夺冠，不少人觉得南美洲的球队大势已去。

哪怕是四强范围内，欧洲球队在进几届世界杯中也有着显著的优势。

2006年世界杯，四强分别为意大利、法国、德国、葡萄牙，2010年西班牙、荷兰、德国包揽了前三。到上一届的时候，虽然巴西和阿根廷都杀入了四强，但在半决赛中都分别输给了荷兰与德国。

（2）地理位置优势

因为时差、饮食、气候、文化等因素的原因，在同一大洲参与比赛的球队有着天然的优势。

不信你看，在欧洲举行的世界杯基本是欧洲国家队夺冠，在美洲举行的基本都是南美国家队夺冠，不在欧洲的日韩和南非世界杯，巴西和西班牙各下一城。

至于南美球队称霸欧洲举办的世界杯，历史上同样只发生过一次：1958年瑞典世界杯，17岁的贝利横空出世，开启了巴西足球四届三夺冠的伟大篇章。

3.游戏预测法

在众多球迷喜欢玩的游戏里，足球经理（Football Manager，简称 FM）这款游戏一定再适合不过了，因为这个游戏拥有庞大的数据库，而且玩家可以设置战术、选择球员，充分模拟比赛场景，为预测提供了有力的支持。

前不久一位国外的知名游戏主播用该游戏模拟了100次俄罗斯世界杯的进程，并且统计出了各个团队荣誉及个人荣誉的分布情况。

而他利用游戏模拟出最多次夺得世界杯冠军的球队是：比利时。

纵观以上的三种方法，不难发现，不论是归纳演绎法还是地域判断法，都是基于以往的数据+个人观点作出的判断，而游戏预测法可能更加偏向于机器根据以往数据作出的判断。

也就是说，我们是可以完全按照数据分析的方法进行预测的。

二、大数据如何预测？

1.Opta 的结论

Opta Sports 是一家总部位于伦敦的体育数据提供商，他们为此做出了自己的预测。当然预测并不是凭空而来的，需要有一些具体的参考条件。

Opta 在数据模型的建立中，会根据球队以往表现的数据来计算他们的进攻和防守能力，判断出每场比赛可能的潜在结果（胜平负）。

（1）历史比赛数据

在 Opta 参考的以往表现的数据中，包含的是世界杯之前的四年中所有的官方比赛结果得出的，包括世界杯预选赛、联盟锦标赛及预选赛、友谊赛、以及国际足联的联合会杯的比赛，当然也包括2010年以及2014的世界杯比赛。

（2）主场优势

他们计算了两个“主场优势”：第一个是关于东道主的，第二个是其他所有的球队，另外对于那些自1970年起赢得过世界杯冠军的球队（具有冠军血统的球队）也算做一个优势。

（3）未考虑到的因素

但是这些统计预测并没有算上一些球员的特殊情况，比如说某位球星明天如果受伤了，那么他的球队可能会因此受到影响。

（4）还有哪些影响因素？

对于以上预测所考虑的范围，很多人觉得维度太少，很难服众。那么，对最终的比赛结果能够产生影响的因素可能还有以下几个：主教练能力、球员大赛经验、心理素质、两队阵型、两队首发、裁判的执法风格、天时（天气、季节）、地利（场地海拔、向阳背阳）等等。除了以上这些，你觉得还会有什么影响因素呢？

此图由 Yonghong Z-Suite 球迷小分队制作

当然，Opta 最终的分析结果显示，最有可能在俄罗斯世界杯夺得冠军的球队是巴西（13.2%），紧随其后的是德国（10.7%）以及阿根廷（10.1%）。

另外值得一提的是，英格兰（2.1%）夺冠的概率还不及日本（2.2%）。

2.维克多的 AI 预测

维克多是俄罗斯彼尔姆国立大学物理系的大四学生，他制造出的能够预测世界杯结果的人工智能系统。并且，彼尔姆国立大学认为该预测的准确度超过80%。

维克多建立的这个人工智能神经网络，采用了对影响比赛结果的几条标准进行分析，标准包括天气、裁判、球员心情、球员状态、伤病情况，同时参考了过去几届的世界杯数据资料，得出了非常详尽的结论。

该 AI 预测出德国队会是冠军，亚军和季军分别是巴西队和阿根廷队。实力较弱的东道主俄罗斯会在32支球队中排名27。也就是说，该 AI 甚至不认为俄罗斯队能从小组赛晋级。自家人打自家人的脸，这个 AI 还是挺诚实的。

随着人工智能的进一步发展，这个结果可能会越来越准，到时候猜球可能就不仅仅只是靠运气，更多的可能会变成一项数据分析能力的比拼。可能未来会有一台人工智能的机器被赋予章鱼“保罗”的名字。

那么，你觉得这届世界杯谁最终能捧起大力神杯？赢得球迷的尖叫和眼泪呢？

Reference：

《喵？英格兰夺冠概率不如日本》 作者/Helen

《世界杯冠军的N种猜想》 作者/羽则

- End -

他们都在用Yonghong服务

美的 |格力|联迪 |海天 |科达

泰康保险|佰仟金融|华夏银行

宝宝树 |艾瑞集团|猎聘|伊美尔

浙江电力| 太原电力 |锦程物流

人人都是数据分析师专区

BI可视化和分析可视化入门教程

从入门到精通，数据分析师必看的14篇文章

可视化图表入门教程|三步制作一张动态报表

天地人和     经世致用

Harmony      Knowledge     Solutions

引子云计算的计算与存储等功能将变得更加强大，拥有自学习型预测性分析解决方案的能力从而适应新的且不断变化的数据流，将对过去的预定义模型发起颠覆性的挑战。

张礼立盘古智库学术委员玖道科技首席战略官

如今对大数据预测性分析可谓大肆宣传，人人都想在预测分析市场上分得一杯羹。周末和朋友喝茶聊天，谈到了这个话题。 预测的故事一个接着一个，然而一些关于预测性分析的价值的说法，似乎太过美好且不太真实。

当然，这个话题很大，可以谈的内容很多。我从“预测性分析”的定义谈起。 关于预测分析的定义有不少种版本，在被广泛接受的版本中，都围绕着三个共通的关键点：第一，从数据中提取信息。第二，预测潜在趋向或行为模式。第三，既关系着未来，也关系着当下和过去。

把这上述的三个核心特征点融合，我们可以看到预测性分析就是通过分析全面数据（包含了历史数据与实时数据、人类行为数据和机器数据等）预测潜在的结果或可能，而非宣布绝对的确定即将、会或已经发生什么。

在大数据讨论中，有一句经典的流行语录：大数据预测就好比算命。

 大数据预测vs.算命占卜

占卜功能来源于《易经》，从来就是神秘高深、不可测。 而我们从《易经》中了解到，每个卦、每一爻都包含了“象”“数”“理”三种含义。就好比，我们在晚宴上，举起红酒杯，左右摇摆，这就是一个“象”， 而左右摇摆了多少度，多少秒钟摇摆一次，就有了它的“数”，为什么要摇摆？所以“理”就出现了。

宇宙间万事万物都有它的理，也必有它的象， 每个现象必有定数，这是必然的过程。这就是占卜预测的基础与科学。

中国人讲“旁观者清，当局者迷”。 “当局者迷”是因为自己看不清自己，所以我们要把自己的处境悬架起来，当作一面镜子，这就是卦。把自己的状态、自己的处境，让自己成为旁观者来做评判，这个过程就是算卦，其中对未来的展望就是占卜。

《易经》把360度的空间通过八八六十四卦，分成了64种情景。 这与大数据预测分析中提出的360度数字画像类似。可是，无论是占卜还是预测分析，我们并不知道自己现在处在哪一个卦或位，也不明白自己所处的情况，只能凭感觉。从占卜来讲，就是通过么一个场景，每一卦的每个一爻找到自己的定位。而大数据预测就需要聚焦到具体的行业应用的特定功能，这也是现代预测的定位要求。

 预测分析的过去与现在

人处在这个世界上，与这个世界的关系不停地在变化，只要发生了变化，就包含了它的象、数、理。 人的智慧如果能够全面了解事物的象、数、理，就会知道事物的变化，就能够知变，预测未来，这就是《易经》的智慧。

从制造业预测分析工具来看，过去正是对高质量算法的需求驱动着预测性分析市场的发展。无论是对于库存优化、状态和可靠性维修，还是先进的基于模型的过程控制和过程优化，预测引擎的质量以及对过程或领域动态的了解是获得可靠且可盈利的结果的关键。这是“过去”式的预测分析。

“现在”的预测分析更象沃森技术。能够解的问题并没有框架，而且沃森可以处理缺损数据，并提供可靠结果的基于平台的计算预测性分析，功能着实强大，正在改变着预测性分析的局面。多种多样且结构不定的大数据促进数据库的制造者比如企业软件供应商和数据库供应商等提供配置功能强大的分析引擎。而强大的分析引擎反过来又使任何人都可以在几乎任何类型的数据基础上进行预测分析并获得可以比较满意的结果。

2预测分析：准不准与信不信

占卜准不准？ 很难讲。 预测准不准，也很难讲。 一件事让10个人来做，一定会有很多种不同的结果。算命或预测亦是如此。

如果卜出来的结果是好，大利，当然高兴。如果卜出的结果是大凶，不利，我们还要不要继续把工作或事情做下去么？ 无论您的心里有多么强大，卜出来的结果多少都是会影响你。占卜是《易经》里面非常重要的内容。作为至圣先师的孔子，因为喜欢《易经》而韦编三绝，但他却忠告世人：不占而已。 既然占卜是《易经》的功能之一，为什么先师又劝我们不占呢？一定有很多种原因。 曾仕强教授认为熟悉卜卦的人，从一开始就知道第一爻到最后一爻，这当中的变化又多少，所以不可以完全相信占卜的结果应该是孔圣人不占的主要原因之一。

对于大多数企业而言，预测性分析主要是在现有数据的基础上，理解可能出现的可能性。预测的准确性取决于预测算法的好坏或准确性以及预测算法操作时所使用的数据的“质量”。

随着物联网技术的发展，采集数据的方式多样化，数据的总量显著增多。但是，数据可能质量的确不高。也就是说，数据其实并不精确，这也是大数据分析中讲的要拥抱混乱。如果利用这些不够精确的数据，不管预测算法或模型如何高明，预测结果的准确率都会下降。

另外一种情况就是数据基本准确，但不够完整。 当然，我们要采集足够的样本又有相当的精确度在现实生活中的难度非常高。预测算法在没有足够的完整数据样本前提下做出的预测，预测结果也不会好到哪里去。当然，如果算法本身有很多不足，不管数据质量多高，预测结果还是很可能有误。

 未来的预测性分析

随着工业物联网（Industrial IoT） 的发展，传感器、系统、设备等产生的数据正在迅猛增长。过去依赖大量工程及特定领域的预测性分析解决方案将难以跟上如今不断扩大的数据云。云计算的计算与存储等功能将变得更加强大，拥有自学习型预测性分析解决方案的能力从而适应新的且不断变化的数据流，将对过去的预定义模型发起颠覆性的挑战。

然而，即便基于云的自学型系统提供的预测质量可以与专用解决方案作出的预测结果相媲美，但这还不是未来的预测分析。最终的预测分析的领导者必须符合下面这三个优势：

第一，能够适应不断增长的复杂数据流的学习型预测分析解决方案。

第二，可以为特定行业、特定领域、特定功能的模型提供高质量预测结果与创新思路。

第三，所有企业都支付得起的预测解决方案。

风险管控是现代管理学也是预测管理学中的一个重点。其背后的思路与《易经》中占卜类似，那就是预测占卜后，我们可以拿结果做为参考，从当中找到合理的，能够趋吉避凶，能把损害减到最小到路径。■

首发于《中国工业评论》

相关阅读

采用工业物联网与大数据分析的四个重点|智能制造

张礼立

盘古智库学术委员，博士，拥有20年的全球信息产业工作经验，硅谷IT精英，也是中国互联网先行者。现任上海市侨联青年委员会理事，上海市海外经济技术促进会理事，上海信息化中心专家成员，盘古智库学术委员，上海浦东智慧城市研究院研究员，盘古智库智慧城市研究中心副主任兼秘书长，玖道科技首席战略官。曾任职多家全球上市公司高管，负责销售、产品、团队管理及成功的创业经历。兼任中国人民大学CIO研究中心研究员，国际最佳实践管理联盟中国区副秘书长，国际灾难协会技术委员会理事。著有《IT服务管理新论－中国式智慧和西方文化整合的研究》《大数据时代的云计算敏捷红利》。

昨天世预赛剩余几个小组的比赛已经结束，还是有很多亮点可以讲。欧洲区，A组法国毫无悬念的赢下比赛直接晋级，荷兰虽然有理论上的出线希望，但要狂胜瑞典7球方能晋级，显然是不现实的，最后只是以2球获胜，郁金香还是无缘绽放俄罗斯；B组的瑞士实在有点悲催，昨晚0-2输给葡萄牙，之前9连胜都无法直接晋级世界杯，无奈只能参加附加赛，并目送葡萄牙晋级。H组希腊则4-0轻取对手，也获得附加赛资格。

南美区，梅老板一人撑起整个阿根廷，帽子戏法完美逆转将阿根廷带进世界杯；巴西毫无放水之意，3-0战胜智利，生生把智利挤到小组第6，美洲杯冠军无缘世界杯！而北美区的美国0-1意外输给特立尼达和多巴哥，这是作死的节奏，葬送大好形势也无缘世界杯。

飞哥昨晚推的法国大胜也是有点作，知道法国会胜出晋级，但还是太高估法国能主场大胜，有点想当然了，没能从澳星数据这个科学的剧本出发，从澳星数据上看法国胜出是毫无悬念的，但要想大胜穿盘实在很勉强，首先从亚盘上看，法国从3球降到了2.5/3球，其次精选比分和备选比分也都不看好法国穿盘。所以以后选场还是少点主观意识，多点客观数据，特别是澳星的每一项数据都是科学客观的。

昨天的澳星数据整体命中率还是很不错的，特别是双选命中率达到了93%。有些比赛的数据实在很漂亮，比如希腊VS直布罗陀，尽管希腊的实力和状态都达到满值，胜出是毫无悬念的，但让盘如此之深，澳星数据看穿盘不易。首先看模拟亚盘开出希腊让4.5球，实际亚盘发生了降盘，降到4/4.5球，这是一个穿盘不利的因素，其次是精选比分4-0，也穿不了盘，最后的赛果是希腊刚好打出4-0，非常精准。

还有匈牙利VS法罗群岛，看澳星数据匈牙利赢球输盘的概率最高。欧赔的对比好像有点看好匈牙利穿盘的趋势，但欧赔转换为亚盘时，对匈牙利穿盘是不利的，模拟亚盘开出匈牙利让1.5/2球1.97中高水，实际亚盘水位升到2.0的高水，跟欧赔的对比是有所冲突的。再看精选比分也是支持1-0而已，更加说明了匈牙利赢不了2个球，最后的赛果就只是匈牙利1-0小胜。

澳星数据是一项足彩工具，定位初盘初赔技术，每一项指数都有参考价值，而且这些指数的来源都是科学客观有效的，分析一场比赛必须要综合所有指数，而不是单单关注某一项数据。

更多更专业的足彩数据，欢迎下载澳星数据APP查看

导语：

中国人讲“旁观者清，当局者迷”。 “当局者迷”是因为自己看不清自己，所以我们要把自己的处境悬架起来，当作一面镜子，这就是卦。把自己的状态，自己的处境，让自己成为旁观者来做评判，这个过程就是算卦，其中对未来的展望就是占卜。这与大数据分析预测何其相似，从历史数据提取关键信息，分析其特征表现，预测其未来。

“行星运行”—寻找规律

太阳系八大行星绕太阳运行周期数据: 观测数据是行星绕太阳一周所需要的时间（以年为位）和行星离太阳的平均距离（以地球与太阳的平均距离为单位）。

“仙人指路” – 实践规律

占卜功能来源于《易经》，从来就是神秘高深，不可测。 而我们从《易经》中了解到，每个卦，每一爻都包含了“象”，“数”，“理”三种含义。举个例子。 我们在算卦时，师傅会占卜人的面相，这就是一个“象”， 而看了哪些位置，花了多少时间，就有了它的“数”，为什么要这样看？所以“理”就出现了。“相面”、“看手相”与“星座”等 “命里”/“性格”论也可以认为是一种基于“总结”的规律实践。

数据分析与占星卜卦有没有相似之处 ？

答案是有，都围绕着三个贯通点，观察、寻找特征、应用规律（经验）。

历史中的数据事故

1.朝鲜战争： 志愿军的7天攻势

1950年12月31日，中朝联军发起第五次战役,至1月7日，联合国军已退至三七线南北之平泽、安城、堤川、宁越、三陟一线,战役遂于1月8日结束1951年4月22日，中国人民志愿军发动第五次战役，至29日结束。

2.辽沈战役：廖耀湘军团覆灭

为什么那里缴获的短枪与长枪的比例比其它战斗略高?

为什么那里缴获和击毁的小车与大车的比例比其它战斗略高？

为什么在那里俘虏和击毙的军官与士兵的比例比其它战斗略高？

数据分析的四大问题

（1）数据分析是什么？

是寻找规律、提炼价值信息，并将分析结果用于决策的过程。

其中需要经历的过程有确定分析的目的 → 研究的对象 → 可以使用的数据→ 细致分析 → 结论与展示。

泰坦尼克号事故中什么样的人更易幸存？

（2）数据分析的基础是什么？

数据是分析的基础：分析是建立在数据之上，可以使用的 数据量、数据质量、数据的粒度等决定了分析的结果。

业务是分析的支撑：离开业务解读数据是枯燥的，没有意义的；如下图的示例中，不解释原始表结构与业务逻辑，无法分析。

（2.1）数据分析的基础 – 数据

数据：对事物存在与发展变化的描述

数据收集： 数据时代，记录事情发展变化成为可能

数据的记录形式： 数据结构

数据结构的变换：数据处理、统计

数据的处理： 计算（计算机），所以对数据结构有要求。

结构化数据：可以用数字或统一的结构表示的信息；

数据表： 一行为一条观测，一列为一个特征/维度

非结构化数据：无法用数字或统一的结果表示的信息。

如：图片、文本、声音

（3）数据分析的方法

数据分析的基本流程：定义问题（了解业务） → 收集数据 → 数据检查 → 数据处理 → 数据分析 → 结果展示 → 结果应用。

检查数据质量，包括缺失、异 常值、分布等

数据处理，包括填补缺失值、处 理异常值、衍生、标准化等。（泰坦尼克题目中，将Title、Pclass、Parch组合观察可以找到更好的差异）

（4）数据分析的原则

明确分析目标：围绕目的进行的分析工作；业务与数据相结合：分析结果最终要在业务上解释与应用，需要与业务结合；用数据说话：深入分析数据的实质，挖据数据内涵，不能 “认为是”，也不能停留在数据表面。

小问题1：如果一枚硬币连抛10次都是正面，问第11次出现正面的概率是多少？（请在评论区说出你的答案）

哪个老师的教学质量更好？

生活中的数据分析：

（1）在亚马逊上搜算图书《原则》，从而看到的其他图书推荐。

关联分析：Amzon 100件图书订单，购买《原 则》的有75件，购买《爆裂》的 有60件，同时购买两者的40件。 那么，两本书在被选购时是否可以相互推荐？

事件 - A：购买《爆裂》；B：购买《原则》

支持度 ：同时购买概率 - 40/100 = 0.4

置信度 : 购买一个后，再购买另一个的条件概率

A对B的置信度： 40/60 = 0.67 B对A的置信度： 40/70 = 0.53

提升度：购买一件对购买另一件的概率提升左右

A对B的提升度：0.67/0.75 = 0.89

B对A的提升度：0.53/0.6 = 0.88

结论： 两本书的购买是互斥的

小问题：如果把订单总量变为1000 呢？（来评论区说出你的答案）

（2） 数据分析的应用—大数据杀熟分布

网友分享：

他经常通过某网站订某个特定酒店的房间，常年价格在380元-400元。偶然一次，他从前台得知酒店淡季价格在300元上下，他用朋友的账号查询也是300元，但用自己的账号查看还是380元。其他网友也分分晒出自己被宰的经历，大骂企业无良，不少媒体认为大数据是技术走了歪路，建议通过法律制裁。

由于篇幅有限，本文对大数据分析不再做过多的介绍，欢迎有兴趣的小伙伴通过以下方式咨询我司相关产品。

建立时间序列数据

建立时间序列，必须有日期作为数据框的一列。R语言建立时间序列的函数是ts()，它的格式如下：

ts(gm,frequency=12,start=c(year,month))

其中，gm表示时间列数据；frequency表示时间单位，它的值常用的有12、4、365，它们分别表示每一个时间单位中有12个月、4个季度、365日观察值，start表示时间序列的开始时间。

例如，我们构造一个含有30个值的时间序列（1~30），开始时间为2011年3月，以每个月作为观察值。代码如下：

>a<- ts(1:30, frequency = 12, start = c(2011,3))

>print(a)

Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

2011 1 2 3 4 5 6 7 8 9 10

2012 11 12 13 14 15 16 17 18 19 20 21 22

2013 23 24 25 26 27 28 29 30

>str(a)

Time-Series [1:30] from 2011 to 2014: 1 2 3 4 5 6 7 8 9 10 ...

>attributes(a)

$tsp

[1] 2011.167 2013.583 12.000

$class

[1] "ts"

时间序列分解

时间序列分解就是将时间序列分解为趋势、季节性、周期性以及不规则这几个成分。趋势成分指长时间间隔的大致运动方向，季节性成分指季节性的变化，周期性成分指重复但非周期的波动，最后是不规则成分。

下面是在时间序列数据AirPassengers上演示时间序列的分解，该数据是由国外某机场1949年到1960年每月乘客总数的数据构成，共有144（=12*12）条数据，时间序列图如下：

>plot(AirPassengers)

下面使用decompose()函数将数据集分解成不同惩罚呢，分解代码如下：

>apts<- ts(AirPassengers, frequency = 12)

>f<- decompose(apts)

>#季节性分解

>print(f$figure)

[1] -24.748737 -36.188131 -2.241162 -8.036616 -4.506313 35.402778

[7] 63.830808 62.823232 16.520202 -20.642677 -53.593434 -28.619949

> plot(f$figure, type = "b", xaxt="n", xlab = "")

>monthNames<- months(ISOdate(2011,1:12,1))

> axis(1,at=1:12, labels = monthNames, las=2)

>plot(f)

上图中，第一个图表为原始时间序列数据，第二个图表为数据的趋势，第三个图表为季节性因素，最后一个图表为剔除了趋势和季节性因素之后的其他成分。

时间序列预测

时间序列预测是根据历史数据来预测未来事件。一个时间序列预测的例子是基于股票过去的形式来预测其开盘价。两个常用的时间序列预测模型为自回归移动平均模型（ARMA）和自回归综合移动平均模型（ARIMA）。

下面使用ARMA拟合单变量时间序列，并使用拟合模型进行预测，代码如下：

>fit<- arima(AirPassengers, order = c(1,0,0), list(order=c(2,1,0), period=12))

>fore<- predict(fit, n.ahead = 24)

>U<- fore$pred + 2*fore$se

>L<- fore$pred - 2*fore$se

> ts.plot(AirPassengers, fore$pred, U, L, col=c(1,2,4,4), lty=c(1,1,2,2))

> legend("topleft",c("Actual","Forecast", "Error Bounds(95% Confidence)"), col=c(1,2,4), lty=c(1,1,2))

图中，实线表示预测值，虚线表示在置信度水平95%下的误差边界。

回归分析法，即二元一次线性回归分析预测法

先以一个小故事开始本文的介绍。十三多年前，笔者就职于深圳F集团时，曾就做年度库存预测报告，与笔者新入职一台籍高管Edwin分别按不同的方法模拟预测下一个年度公司总存货库存。令我吃惊的是，本人以完整的数据推算做依据，做出的报告结果居然与仅入职数周，数据不齐全的Edwin制定的报告结果吻合度达到99%以上。仍清楚记得，笔者曾用得是标准的周转天数计算公式反推法，而Edwin用的正是本文重点介绍的二元一次线性回归分析法。

二元一次线性回归分析法是一种数据分析模型。

在EXCEL函数公式是FORECAST（英文意思是：预测），其用途是根据一条线性回归拟合线返回一个预测值，此函数使用可对未来销售额、库存需求或未来数据趋势进行预测分析。

要做好库存预测须具备几个条件，首先须具备过去较长的某个时间段的完整整的数据。这里说的时间段最好是上一年度一整年或最近两年的数据。

完整的数库据指的是需要有年度对应每个月的实际库存与营收额或销货成本。

同样我们把库存预测肢解成几个关键步骤。

第一步：数据准备，依要求对EXCEL公式数据输入

先看一组实际的数据，其中蓝色字体是已知具备的数据，黄色则是需要预测的库存数据。预测库存，则至少需要具备的数据是标注蓝色三行数据。为别是：上一年度月营收，上一年度月实际库存，本年度月营收目标。可参照始下截图与视频。

第二步：依KPI目标调整预测数据

假设要求实际目标要求对总体存货周转率提升10%，则总体平均存货库存也减少10%，具体数据如下截图标注粉色行。

第三步：把总库存分解成不同物料形态的库存。这里讲的不同类别可以指的是：

物料形态分类：原材料、半成品、在制品以及成品等。

仓码分类：原材料仓、包装仓、成品仓、重要物资仓、五金仓、配件仓以及辅助物料仓等。

这里我们以第一种物料类型实例说明。须依据上年度不同物料类别占总库存的比率，再计算对应类别库存总额，如下截图。

第四：验证二无一次线性回归分析方法的准确度。

存货周转天数=(（期初库存+期末库存）/2*30）/(营收*物料成本率）=(平均库存*30）/销售成本。

依公式反推预测库存，平均库存=（目标周转天数*营收*物料成本率）/30，前提需要更多的数据信息，包括物料成本率与以往的周转天数做为计划依据。

如下截图，两种不同的方法得出库存预测吻度为97%（或103%）。

企业管理中，要快速地对企业活动做出判断，需要完整的数据管理积累支撑

二元一次回归分析法做库存预测速度快，效率更高。而标准的周转天数计算预法会更准确与准确。到底应当选择哪个方法？不同的时期，不同的方法如何选择则是仁者见仁，没有对或错，只有合适与否。但有肯定的一点，那就是类似二元一次回归分析法管理工具的熟练应用，则一定对会对企业管理起到更好的帮助，在做数据调研时也是个好的选择。