各客户下月销售额预测方法咨询：基于2021年1-9月交易数据求Excel/Python方案

可选方案说明 #

均值并不是唯一的解决方案，基于你现有的9个月短期序列数据，还有三类精度更高的方法可选：

• 加权移动平均：给近期月份分配更高权重，符合消费行为近期数据参考价值更高的规律，实现最简单
• 简单指数平滑：属于经典时间序列预测方法，适合无明显趋势、无季节性的平稳消费序列，会自动分配历史数据的衰减权重
• 线性趋势预测：如果单个客户的消费金额存在明显的逐月增长/下降趋势，用线性回归拟合趋势后预测的精度会显著高于均值

Excel实现参考 #

你提到的FORECAST系列函数可直接对应上述方法，各函数的正确用法如下：

• 线性趋势预测用FORECAST.LINEAR()：参数格式为=FORECAST.LINEAR(10, B2:J2, B1:J1)，其中10是待预测的第10个月的序号，B2:J2是该客户1-9月的销售额，B1:J1是1-9的月份序号
• 指数平滑预测用FORECAST.ETS()：短序列无季节性的场景下参数格式为=FORECAST.ETS(10, B2:J2, B1:J1, 1, 0)，最后一位参数设为0表示禁用季节性检测，避免因为数据量不足导致的计算偏差
• 加权移动平均可自定义公式：比如给近3个月分别分配0.2、0.3、0.5的权重，公式为=0.2*H2 + 0.3*I2 + 0.5*J2，其中H2/I2/J2分别对应第7、8、9月的销售额

Python实现参考 #

所有方案都可以用Python第三方库快速实现，代码可直接复现Excel的计算结果：

加权移动平均实现 #

def weighted_moving_average(sales_series, weights=[0.2, 0.3, 0.5]):
    # 取最近N个月数据和权重对应相乘求和，N和权重可按需调整
    return sum([v * w for v, w in zip(sales_series[-len(weights):], weights)])

# 调用示例，sales为单个客户1-9月的销售额列表
sales = [1200, 1500, 1300, 1600, 1700, 1650, 1800, 1900, 2000]
pred = weighted_moving_average(sales)
print(round(pred, 2))

简单指数平滑实现 #

from statsmodels.tsa.holtwinters import SimpleExpSmoothing

sales = [1200, 1500, 1300, 1600, 1700, 1650, 1800, 1900, 2000]
# smoothing_level可按需调整，取值范围0-1，数值越高越重视近期数据
model = SimpleExpSmoothing(sales).fit(smoothing_level=0.6, optimized=False)
# 预测未来1个月的数值
pred = model.forecast(1)[0]
print(round(pred, 2))

线性趋势预测实现 #

import numpy as np
from sklearn.linear_model import LinearRegression

sales = [1200, 1500, 1300, 1600, 1700, 1650, 1800, 1900, 2000]
x = np.arange(1, 10).reshape(-1, 1)
y = np.array(sales)
model = LinearRegression().fit(x, y)
pred = model.predict(np.array([[10]]))[0]
print(round(pred, 2))

内容的提问来源于stack exchange，提问作者Suddhasatwa Bhaumik