Einzigartige (?) Idee zur Umsatzprognose

Ich arbeite an der Entwicklung eines Modells zur Vorhersage des Gesamtumsatzes eines Produkts. Ich habe ungefähr anderthalb Jahre Buchungsdaten, sodass ich eine Standard-Zeitreihenanalyse durchführen kann. Ich habe jedoch auch viele Daten über jede "Gelegenheit" (potenzieller Verkauf), die entweder geschlossen wurde oder verloren ging. "Opportunities" werden in Phasen einer Pipeline weiterentwickelt, bis sie geschlossen werden oder verloren gehen. Sie haben auch zugehörige Daten über den potenziellen Käufer, den Verkäufer, die Interaktionshistorie, die Branche, die geschätzte Größe der Buchungen usw.

Mein Ziel ist es letztendlich, die Gesamtzahl der Buchungen vorherzusagen, aber ich möchte all diese Informationen über die aktuellen "Chancen" berücksichtigen, die die wahre "Grundursache" für Buchungen sind.

Eine Idee, die ich habe, ist, zwei verschiedene Modelle wie folgt seriell zu verwenden:

Verwenden Sie historische "Opportunities", um ein Modell zu erstellen, das die Buchungen vorhersagt, die sich aus einer einzelnen "Opportunity" ergeben (ich würde für diesen Schritt wahrscheinlich zufällige Wälder oder sogar eine einfache alte lineare Regression verwenden).
Verwenden Sie das Modell von 1, um die geschätzten Buchungen aller derzeit in der Pipeline befindlichen "Opportunities" vorherzusagen, und summieren Sie diese Schätzungen dann basierend auf dem Monat, in dem jede "Opportunity" erstellt wurde.
Verwenden Sie ein Zeitreihenmodell (möglicherweise ARIMA?), Das die monatlichen historischen Zeitreihendaten von 1,5 Jahren UND die prognostizierten (unter Verwendung des Modells von 1) Gesamtbuchungen für alle in diesem Monat erstellten "Opportunities" verwendet.

Zugegeben, es würde eine Verzögerung bei der Umwandlung dieser Möglichkeiten in tatsächliche Buchungen geben, aber das Zeitreihenmodell sollte in der Lage sein, mit der Verzögerung umzugehen.

Wie klingt das? Ich habe viel über Zeitreihen gelesen und Verkäufe vorhergesagt, und soweit ich das beurteilen kann, ist dies ein etwas einzigartiger Ansatz. Daher würde ich mich über jedes Feedback sehr freuen!

predictive-models forecasting econometrics

— the_fractal_mouse
quelle

Sie scheinen in Bezug auf das Modell von Schritt 1 ziemlich unbekümmert zu sein. Wenn dies nicht gut genug gemacht wird, wirkt sich dies auf den Rest aus. Seien Sie sicher über Ihr Modell. Wie messen Sie, ob Zeit und Chancen Ihre einzigen Inputs sind? Wie erklären Sie das Wirtschaftsklima, die Verkaufseffektivität oder wie gut ist der Markt vorbereitet? Die Materialkosten? Herstellungskosten? Was sind alle Eingaben? Ausgabe ist was? Ist es Mittelwert und Variation für den geschätzten Umsatz? Probieren Sie mehrere Cousin-Produkte aus, nicht nur eines. Erstellen Sie eine konsistente Domäne und Reichweite. Wenn Sie in kumulativen leben, dann leben Sie nur dort.

— EngrStudent

Ja, definitiv ein bisschen vor mir. Danke für deinen Beitrag. Ich spiele mit der Einbeziehung einiger wirtschaftlicher Indikatoren in das Modell von Schritt 1.

— the_fractal_mouse

Möchten Sie mitteilen, wie Sie sich endlich Ihrer Modellbauübung genähert haben?

Möglicherweise erhalten Sie ein Modell, das Ihren aktuellen Daten zu entsprechen scheint. Es bleibt jedoch hängen, sobald Sie versuchen, eine Prognose außerhalb der Stichprobe zu erstellen. Erwägen Sie, Ihre Prognose für einen Zeitraum von 6 Monaten zu erstellen. Sie haben keine Möglichkeit zu wissen, welche Chancen sich in sechs Monaten bieten werden. Daher müssen Sie einen weiteren Satz von Modellen erstellen, die jede Eingabe für Ihr Opportunity-Modell vorhersagen. Und sobald Sie dies tun, werden Sie viele Modelle in Ihr Hauptmodell einspeisen, aber jedem der kleinen Modelle wird ein eigener Vorhersagefehler zugeordnet sein, und diese werden zusammengesetzt sein, Ihr Hauptmodell jedoch nicht Wenn Sie diese kennen, werden alle Ihre Vorhersageintervalle stark entleert.

— Tim
quelle