怎样做电商的销量预测模型( 三 )
基于大数据了解顾客电商企业在运营中，数据的来源是多方的，通常包括：在线交易数据、屏幕浏览时间、顾客反馈、购物车、网页浏览、社交平台和手机应用使用情况。因此，大数据分析对需求的预测也至关重要。下面我们将逐一介绍每个阶段的发展和应用。
传统时序模型客户需求是符合时间序列的数据，因此常用的方法是建模分析，统计学上常用的时间序列分解法有以下几种：
线性模型 1.自回归移动平均模型（ARIMA）
2.AR, MA, ARMA, SARMA
3.VAR
非线性模型 1.ARCH
2.GARCH
机器学习—数据驱动线性回归支持向量回归高斯过程基于树的模型 1.回归树
2.随机森林
3.梯度提升
深度学习—浓缩大数据MLPRNNLSTMSeq2seq我们知道预测永远是错的，因此需要量化预测的准确度，以求得到最为准确的错误预测。常用的度量标准有以下几种：
顾客的需求多种多样，在北美，有这样一句话形容企业所面临的挑战 ，Have the Right Products to the right people in the Right Place at the Right Time，可以理解为在正确的时间和地点为需要的顾客提供所需的产品。现今，电子商务企业所面临的顾客需求有更高的复杂度，从某种程度上讲电子商务是对库存管理能力的考验，库存是需求计划的执行的结果。好的模型通常要满足4各方面的要求：
下面我们来逐一介绍传统时序模型（以arima为代表），机器学习模型（以tree-based model为代表）和深度学习模型：
1.自回归移动平均模型（ARIMA）自回归移动平均模型是由博克思和詹金斯于20世纪70年代提出的时间序列预测方法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。请注意，该模型只适用于平稳时间序列。
公式如下：
举例说明—航空公司乘客数据
（1）首先，画出时间序列的趋势图，如下图。可以看到有趋势和周期变化，以及非常数方差。说明原数据是非平稳时间序列。
（2）做log一次平滑，去除非常数方差，如下图。可以看到还有趋势和周期变化。
（3）再做一次差分，去除趋势变化，如下图。此时为有周期变化的平稳时间序列。
求其自相关系数ACF和偏自相关系数PACF，分析自相关图和偏自相关图得出：
（1）周期变化；
（2）自回归模型因子；
（3）移动平均模型因子；
（4）模型特征，如ARIMA（0,0,1）；
（5）使用R/Python实现。
ARIMA的局限性在于：
（1）认为时间序列是线性的；
（2）不适用非稳定时间序列；
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 广西鹿寨贫困户玩直播带货变身创业新星以电商帮老乡卖滞销农产品
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车知识|凯美瑞2.0L落地近22万，动力差，优惠少，但就是销量高！
- 销量|同比增长174.6% 威马汽车11月销量达3,018辆
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾