Váš web má většinu týdnů zhruba 400 návštěvníků. Ale minulý týden jich bylo 600. Příští týden jich může být 300. Vzorec není náhodný: je sezónní. V létě je návštěvnost nižší. Na konci měsíce vyšší. Ve všední dny vyšší než o víkendu.
Předpovídání časových řad využívá tyto vzorce k předpovědi budoucí návštěvnosti. Tento článek popisuje, jak vzorce ve svých datech rozpoznat a použít je k předpovědi toho, co přijde.
Předpovídání časových řad je analýza historických dat seřazených v čase a využití vzorců k předpovědi budoucích hodnot. Podíváte se na návštěvnost po týdnech nebo po měsících za rok. Najdete vzorce (vrcholy, propady, sezónní cykly). Pak tyto vzorce promítnete dopředu.
Na rozdíl od obecné prediktivní analytiky se předpovídání časových řad týká přímo posloupností v čase. Uznává, že to, co se stalo minulý týden, ovlivňuje to, co se děje tento týden. Počasí může ovlivnit návštěvnost. Roční období ovlivňují nakupování. Dny v týdnu ovlivňují chování.
Jaké vzorce se v datech webu vyskytují
Většina webů má opakující se vzorce. Naučit se je rozpoznat je první krok k předpovídání.
Denní vzorce
Weby pro firemní zákazníky mají ve všední dny víc návštěvnosti než o víkendu. E-shopy a zábavní weby mají víc o víkendu. Ráno je víc návštěv z kanceláří než odpoledne. Tyto vzorce jsou stálé z týdne na týden.
Když je vaše návštěvnost v pondělí 600 a v sobotu 400, tento vzorec se pravděpodobně opakuje. Předpovídání časových řad tuto pravidelnost využívá.
Týdenní vzorce
Když zveřejňujete obsah v úterý, návštěvnost vyskočí v úterý. Když posíláte e-mailové kampaně ve čtvrtek ráno, návštěvnost vrcholí ve čtvrtek. Tyto vzorce se opakují týden co týden.
Sledujte měsíc dat a uvidíte týdenní rytmus. Jakmile ho uvidíte, můžete ho předpovědět.
Sezónní vzorce
Leden je pomalejší než prosinec. Léto je pomalejší než podzim. V době daňových přiznání mají víc práce účetní služby. Předpovídání časových řad zachycuje tyto cykly trvající několik měsíců.
K určení sezónních vzorců potřebujete data alespoň za rok. Šest měsíců je minimum pro týdenní vzorce.
Trendové vzorce
Kromě sezónních cyklů mají některé weby delší trendy. Nové weby stabilně rostou (rostoucí trend). Zralé weby se ustálí. Některé klesají. Předpovídání časových řad odděluje dlouhodobý trend od sezónního šumu.
Když váš trend roste o 10 procent ročně a sezónní vzorec ukazuje špičky ve 4. čtvrtletí, můžete předpovědět 4. čtvrtletí příštího roku: loňské 4. čtvrtletí plus 10 procent růstu plus sezónní úprava.
Matematika za předpovídáním časových řad
Matematiku znát nemusíte, abyste to používali, ale pochopení principu pomáhá.
Předpovídání časových řad rozkládá vaše data na složky:
Trend: dlouhodobý směr (roste, klesá, je plochý)
Sezónnost: opakující se vzorce (denní, týdenní, měsíční, roční)
Náhodné kolísání: šum, který se neřídí vzorcem
Vzorec: Skutečná hodnota = Trend + Sezónnost + Náhoda
Předpověď odhaduje trend a sezónní části. Náhodná část zůstává nepředvídatelná.
Příklad: Vaše návštěvnost tento týden byla 500.
Složka trendu: +50 (roste o 50 týdně)
Sezónní složka: +100 (tento týden je vrchol sezóny)
Náhodná složka: -50 (jen šum)
Skutečnost: 50 + 100 - 50 = 100. Základ 400 + 100 = 500.
Příští týden bez zvláštní události (bez náhodné špičky):
Trend: +50
Sezónnost: -75 (příští týden je mimo sezónu)
Náhoda: 0
Předpověď: 400 + 50 - 75 = 375
Je to zjednodušené, ale princip je, že vaše předpověď odděluje signál (trend plus sezónnost) od šumu (náhody).
Jednoduché metody předpovídání pro majitele webů
Složité algoritmy nepotřebujete. Jednoduché metody fungují dobře.
Metoda 1: Srovnání stejného období
Návštěvnost tohoto pondělí byla za poslední rok v průměru 600. Příští pondělí bude pravděpodobně kolem 600.
To je nejjednodušší předpověď: podívat se na stejný den nebo týden loni.
Metoda 2: Trend plus sezónnost
Návštěvnost vzrostla meziročně o 10 procent a prosince jsou o 50 procent nad průměrem.
Předpověď na prosinec příštího roku: (loňský prosinec) krát 1.10 (pro 10 procent růstu) se rovná vaše předpověď.
Metoda 3: Klouzavý průměr
Zprůměrujte návštěvnost za poslední 4 týdny. To je váš základ. Pak přidejte sezónní úpravu.
Když je základ 500 a prosinec obvykle dosahuje 550, vaše předpověď na prosinec je 550.
Metoda 4: Exponenciální vyhlazování
Dejte novějším datům větší váhu než starým. Poslední týdny jsou důležitější než data z doby před rokem, protože se věci mění.
Když poslední 4 týdny dosáhly průměru 480 a průměr před rokem byl 450, věřte víc novým datům. Předpověď bude blíž 480 než 450.
Sezónní dekompozice: klíčová technika
Sezónní dekompozice rozděluje vaše data na složky trendu, sezónnosti a náhody. Je základem většiny přesných předpovědí.
Krok 1: Shromážděte data za celý rok (nebo za několik let, chcete-li větší přesnost).
Krok 2: Spočítejte průměr za každé období (každé pondělí, každý měsíc a podobně). To jsou vaše sezónní indexy.
Krok 3: Spočítejte trend proložením přímky daty. Roste? Klesá? Je plochý?
Krok 4: Odstraňte trend a sezónnost, abyste viděli šum. To, co zbyde, je náhodné kolísání.
Krok 5: Promítněte dopředu pomocí složek trendu a sezónnosti. K trendové přímce zpět přičtěte sezónní kolísání.
Můžete to udělat jednoduchou matematikou v tabulce nebo použít nástroje na předpovídání, které to dělají automaticky.
Nástroje, které předpovídání časových řad usnadní
Pokročilý software nepotřebujete. Základní nástroje stačí:
Google Sheets: Zabudovaná funkce FORECAST
Tabulkové procesory: FORECAST nebo FORECAST.LINEAR
Knihovny pro Python: Prophet (vytvořila ho Facebook), ARIMA, LSTM
Analytické platformy: Mnohé předpovědi sledují automaticky
Ať použijete kterýkoli z nich, začněte jednoduše a výsledek vždy porovnejte s tím, co se skutečně stalo.
Omezení předpovídání časových řad
Předpovídání časových řad předpokládá, že minulost předpovídá budoucnost. Nepočítá s jedinečnými událostmi.
Když spustíte velkou kampaň, předpověď se zhroutí. Když Google změní výsledky vyhledávání, předpověď je špatná. Když se posune ekonomika, vzorce se změní.
Předpovídání časových řad funguje, když podmínky zůstávají stabilní. Selhává, když se podmínky mění.
Jak předpovědi prakticky používat
Předpovědi nejsou záruky. Jsou to vodítka pro plánování.
Když předpovídáte 600 návštěvníků příští týden, plánujte s 600, ale zůstaňte flexibilní. Když dosáhnete 450, zjistěte, co se změnilo. Když dosáhnete 800, oslavte to, ale pochopte proč.
Předpovědi používejte pro:
Plánování kapacity: Budete potřebovat víc serverů? Víc lidí v podpoře?
Plánování kampaní: Kdy je nejlepší čas na spuštění?
Předpověď tržeb: Jak budou vypadat tržby příští čtvrtletí?
Srovnání se základem: Pohnula ta změna věcmi, nebo to byla jen sezónnost?
Často kladené otázky
Kolik historických dat potřebuji pro přesnou předpověď?
Alespoň 6 měsíců pro týdenní vzorce. Alespoň 2 roky pro sezónní vzorce (abyste viděli více cyklů). Víc dat znamená přesnější předpovědi. Jakmile máte rok, můžete předpovídat s jistotou. S Tvůrcem webů od WEMASY to můžete nastavit přímo na svém webu.
Co když jsou moje data nevyzpytatelná a bez jasného vzorce?
Některé weby mají nepředvídatelnou návštěvnost (nové weby, virální obsah, politické zprávy a podobně). Předpovídání časových řad vyžaduje vzorce. Když jsou vaše data jen šum, předpovídání nepomůže. Soustřeďte se místo toho na trend.
Můžu předpovídat různé segmenty návštěvnosti zvlášť?
Ano. Předpovídejte zvlášť organické vyhledávání, reklamy a e-mail. Každý může mít jiné vzorce. Pak je sečtěte do celkové předpovědi. To často funguje lépe než předpovídání celkové návštěvnosti.
Mám předpověď upravovat ručně?
Když víte, že se něco blíží (kampaň, uvedení produktu, sezónní událost), upravte předpověď tak, aby to zohledňovala. Algoritmus o událostech neví; vy ano. Svými znalostmi předpověď zpřesněte.
Jak často mám předpověď aktualizovat?
Alespoň měsíčně. Přidejte nová data, přepočítejte předpověď. Když se vzorce změní (nová kampaň, posun trhu), přepočítejte okamžitě. Nepředpokládejte, že předpověď z minulého měsíce stále platí.
Je předpovídání časových řad totéž co prediktivní analytika?
Podobné, ale ne stejné. Prediktivní analytika používá mnoho proměnných (výdaje na reklamu, typ obsahu, sezónnost a další). Předpovídání časových řad se soustředí na jednu proměnnou seřazenou v čase. Časové řady jsou jednodušší; prediktivní je složitější.