Sivustollasi käy useimpina viikkoina noin 400 kävijää. Mutta viime viikolla niitä oli 600. Ensi viikolla niitä voi olla 300. Kaava ei ole satunnainen, se on kausiluonteinen. Kesällä liikennettä on vähemmän. Kuun lopussa enemmän. Arkipäivinä enemmän kuin viikonloppuisin.
Aikasarjaennustaminen käyttää näitä kaavoja tulevan liikenteen ennustamiseen. Tässä artikkelissa kerrotaan, miten tunnistat kaavat datastasi ja käytät niitä tulevan ennustamiseen.
Aikasarjaennustaminen tarkoittaa ajan mukaan järjestetyn historiadatan analysointia ja kaavojen käyttöä tulevien arvojen ennustamiseen. Katsot liikennettäsi viikko viikolta tai kuukausi kuukaudelta vuoden ajalta. Tunnistat kaavat (huiput, pohjat, kausisyklit). Sitten jatkat niitä eteenpäin.
Toisin kuin yleinen ennakoiva analytiikka, aikasarjaennustaminen koskee nimenomaan ajassa etenevistä sarjoja. Se tunnustaa, että viime viikon tapahtumat vaikuttavat tämän viikon tapahtumiin. Sää voi vaikuttaa liikenteeseen. Vuodenajat vaikuttavat ostamiseen. Viikonpäivät vaikuttavat käyttäytymiseen.
Mitä kaavoja sivustodatassa on
Useimmilla sivustoilla on toistuvia kaavoja. Niiden huomaamisen oppiminen on ennustamisen ensimmäinen askel.
Päivittäiset kaavat
Yritysasiakkaille suunnatut sivustot saavat arkisin enemmän liikennettä kuin viikonloppuisin. Verkkokaupat ja viihdesivustot saavat viikonloppuisin enemmän. Aamutunneilla on enemmän työpaikkakäyntejä kuin iltapäivällä. Nämä ovat johdonmukaisia viikosta toiseen.
Jos liikenteesi on maanantaisin 600 ja lauantaisin 400, kaava todennäköisesti toistuu. Aikasarjaennustaminen hyödyntää tätä säännöllisyyttä.
Viikoittaiset kaavat
Jos julkaiset sisältöä tiistaisin, liikenne piikittyy tiistaina. Jos lähetät sähköpostikampanjoita torstaiaamuisin, liikenne huipentuu torstaina. Nämä kaavat toistuvat viikoittain.
Seuraa kuukauden dataa, niin näet viikoittaisen rytmin. Kun sen näet, voit ennustaa sen.
Kausikaavat
Tammikuu on hitaampi kuin joulukuu. Kesä on hitaampi kuin syksy. Verotusaika on kiireisempi kirjanpitopalveluille. Aikasarjaennustaminen tavoittaa nämä usean kuukauden syklit.
Tarvitset vähintään vuoden dataa kausikaavojen tunnistamiseen. Kuusi kuukautta on vähimmäismäärä viikoittaisille kaavoille.
Trendikaavat
Kausisyklien lisäksi joillakin sivustoilla on pidempiä trendejä. Uudet sivustot kasvavat tasaisesti (nouseva trendi). Vakiintuneet sivustot tasaantuvat. Jotkin laskevat. Aikasarjaennustaminen erottaa pitkän aikavälin trendin kausikohinasta.
Jos trendisi kasvaa 10 prosenttia vuodessa ja kausikaavasi näyttää neljännen neljänneksen piikkejä, voit ennustaa ensi vuoden neljännen neljänneksen: viime vuoden neljäs neljännes plus 10 prosentin kasvu plus kausikorjaus.
Aikasarjaennustamisen matematiikka
Sinun ei tarvitse tuntea matematiikkaa käyttääksesi sitä, mutta käsitteen ymmärtäminen auttaa.
Aikasarjaennustaminen jakaa datasi osiin:
Trendi: pitkän aikavälin suunta (kasvava, laskeva, tasainen)
Kausi: toistuvat kaavat (päivittäin, viikoittain, kuukausittain, vuosittain)
Satunnainen vaihtelu: kohina, joka ei noudata kaavaa
Kaava: Todellinen arvo = trendi + kausi + satunnaisuus
Ennustaminen ennustaa trendin ja kauden osat. Satunnainen osa pysyy ennustamattomana.
Esimerkki: Liikenteesi tällä viikolla oli 500.
Trendikomponentti: +50 (kasvaa 50 viikossa)
Kausikomponentti: +100 (tämä viikko on huippukautta)
Satunnaiskomponentti: -50 (pelkkää kohinaa)
Todellinen: 50 + 100 - 50 = 100. Pohja 400 + 100 = 500.
Ensi viikko ilman erityistapahtumaa (ei satunnaista piikkiä):
Trendi: +50
Kausi: -75 (ensi viikko on hiljaista aikaa)
Satunnainen: 0
Ennuste: 400 + 50 - 75 = 375
Tämä on yksinkertaistettu, mutta ajatus on, että ennusteesi erottaa signaalin (trendi plus kausi) kohinasta (satunnainen).
Yksinkertaisia ennustemenetelmiä sivuston omistajalle
Et tarvitse monimutkaisia algoritmeja. Yksinkertaiset menetelmät toimivat hyvin.
Menetelmä 1: Saman jakson vertailu
Liikenne tänä maanantaina oli keskimäärin 600 viimeisen vuoden aikana. Ensi maanantaina se on todennäköisesti noin 600.
Tämä on yksinkertaisin ennuste: katso samaa päivää tai viikkoa viime vuonna.
Menetelmä 2: Trendi plus kausi
Liikenne kasvoi 10 prosenttia vuodessa ja joulukuut ovat 50 prosenttia keskiarvoa korkeampia.
Ennuste ensi vuoden joulukuulle: (viime joulukuu) kertaa 1,10 (10 prosentin kasvu) on ennusteesi.
Menetelmä 3: Liukuva keskiarvo
Laske viimeisen 4 viikon liikenteen keskiarvo. Se on lähtötasosi. Lisää sitten kausikorjaus.
Jos lähtötaso on 500 ja joulukuu on yleensä 550, joulukuun ennusteesi on 550.
Menetelmä 4: Eksponentiaalinen tasoitus
Anna tuoreelle datalle enemmän painoa kuin vanhalle. Viimeaikaiset viikot ovat tärkeämpiä kuin vuoden takainen data, koska asiat muuttuvat.
Jos viimeisen 4 viikon keskiarvo oli 480 ja vuoden takainen keskiarvo 450, luota tuoreeseen dataan enemmän. Ennusta lähemmäs 480:aa kuin 450:tä.
Kausihajotelma: avaintekniikka
Kausihajotelma erottaa datasi trendi-, kausi- ja satunnaiskomponentteihin. Se on useimpien tarkkojen ennusteiden perusta.
Vaihe 1: Kerää kokonainen vuosi dataa (tai useampi vuosi, jos haluat tarkkuutta).
Vaihe 2: Laske keskiarvo kullekin jaksolle (jokaiselle maanantaille, kuukaudelle jne.). Nämä ovat kausi-indeksisi.
Vaihe 3: Laske trendi sovittamalla viiva dataan. Kasvaako se? Laskeeko? Onko tasainen?
Vaihe 4: Poista trendi ja kausi nähdäksesi kohinan. Satunnainen vaihtelu on se, mikä jää jäljelle.
Vaihe 5: Jatka eteenpäin trendi- ja kausikomponenttien avulla. Lisää kausivaihtelu takaisin trendiviivaan.
Voit tehdä tämän yksinkertaisella taulukkolaskennalla tai käyttää ennustetyökaluja, jotka tekevät sen automaattisesti.
Työkalut, jotka tekevät aikasarjaennustamisesta helppoa
Et tarvitse edistynyttä ohjelmistoa. Peruskalut riittävät:
Google Sheets: Sisäänrakennettu FORECAST-funktio
Excel: FORECAST tai FORECAST.LINEAR
Python-kirjastot: Prophet (Facebookin kehittämä), ARIMA, LSTM
Analytiikka-alustat: Monet seuraavat ennusteita automaattisesti
WEMASYn analytiikka voisi integroida ennustamisen ja näyttää ennustetun liikenteen ensi kuulle historiakaavojen perusteella.
Aikasarjaennustamisen rajoitukset
Aikasarjaennustaminen olettaa, että menneisyys ennustaa tulevaa. Se ei huomioi poikkeuksellisia tapahtumia.
Jos käynnistät ison kampanjan, ennuste hajoaa. Jos Google muuttaa hakutuloksia, ennuste on väärä. Jos talous muuttuu, kaavat muuttuvat.
Aikasarjaennustaminen toimii, kun olosuhteet pysyvät vakaina. Se epäonnistuu, kun olosuhteet muuttuvat.
Näin käytät ennusteita käytännössä
Ennusteet eivät ole takuita. Ne ovat suunnittelun ohjenuoria.
Jos ennustat ensi viikolle 600 kävijää, suunnittele 600:lle mutta pysy joustavana. Jos saat 450, selvitä, mikä muuttui. Jos saat 800, juhli mutta ymmärrä miksi.
Käytä ennusteita näihin:
Kapasiteetin suunnittelu: Tarvitsetko lisää palvelimia? Lisää tukihenkilöstöä?
Kampanjasuunnittelu: Milloin on paras aika käynnistää?
Liikevaihdon ennustaminen: Millaiselta liikevaihto näyttää ensi neljänneksellä?
Lähtötasovertailu: Liikuttiko tuo muutos lukuja vai oliko se vain kausivaihtelua?
Usein kysytyt kysymykset
Kuinka paljon historiadataa tarvitsen ennustaakseni tarkasti?
Vähintään 6 kuukautta viikoittaisille kaavoille. Vähintään 2 vuotta kausikaavoille (nähdäksesi useita syklejä). Enemmän dataa tarkoittaa tarkempia ennusteita. Kun sinulla on vuosi, voit ennustaa luottavaisesti. Voit ottaa tämän käyttöön suoraan omalla sivustollasi WEMASY-sivustonrakentajalla.
Entä jos datani on epäsäännöllistä eikä siinä ole selvää kaavaa?
Joidenkin sivustojen liikenne on ennustamatonta (uudet sivustot, viraali sisältö, poliittiset uutiset jne.). Aikasarjaennustaminen vaatii kaavoja. Jos datasi on kohinaa, ennustaminen ei auta. Keskity sen sijaan trendiin.
Voinko ennustaa liikenteeni eri osia erikseen?
Kyllä. Ennusta hakuliikenne, mainokset ja sähköposti erikseen. Jokaisella voi olla eri kaavat. Laske sitten ne yhteen kokonaisennusteeksi. Tämä toimii usein paremmin kuin kokonaisliikenteen ennustaminen.
Pitäisikö minun säätää ennustetta käsin?
Jos tiedät jonkin olevan tulossa (kampanja, tuotelanseeraus, kausitapahtuma), säädä ennustetta sen huomioimiseksi. Algoritmi ei tiedä tapahtumista, mutta sinä tiedät. Käytä tietoasi ennusteen tarkentamiseen.
Kuinka usein minun pitäisi päivittää ennustettani?
Vähintään kuukausittain. Lisää uutta dataa ja laske ennuste uudelleen. Jos kaavat muuttuvat (uusi kampanja, markkinamuutos), laske heti uudelleen. Älä oleta, että viime kuun ennuste on yhä voimassa.
Onko aikasarjaennustaminen sama asia kuin ennakoiva analytiikka?
Samankaltainen mutta ei sama. Ennakoiva analytiikka käyttää monia muuttujia (mainoskulut, sisältötyyppi, kausivaihtelu jne.). Aikasarjaennustaminen keskittyy yhteen ajan mukaan järjestettyyn muuttujaan. Aikasarjaennustaminen on yksinkertaisempaa, ennakoiva monimutkaisempaa.