fine是什么意思（这个新功能）

假如，什意思能在2分钟内预测一个公司各分部各产品的新功未来销售额，最高预测精度能达99%，什意思且不需要自己选算法调参，新功只需要选择要预测的什意思数据，就能直接得出结果，新功是什意思不是听起来很“人工智能” ？

其实这样的场景有很多，各行各业都需要对未来数据预判，新功来指导当下的什意思行为。

比如星巴克、新功肯德基这两家餐饮巨头都有一个共同的什意思规定-----卖不完的食物都必须丢掉！包括很多大型超市对于生鲜类产品也有类似的新功规定，超过一定时间后要扔掉没有卖完的什意思商品。这对于客户来讲是新功绝对忠诚的，但对于企业来讲他们就面另一个风险：如果不能及时准确预判进货量，什意思就有可能面临很大的浪费。类似的场景还有很多，比如生产过度导致库存积压、市场预判过低导致供货量跟不上......

那有没有一种科学智能的方法来预测未来可能的数据呢？

到这里，懂行的朋友可能已经想到了！“数据挖掘”——正解！

数据挖掘领域有一种算法——时间序列，它能通过收集不同时间点数据集合，通过曲线拟合和参数估计来建立一个预测模型。它的关键达成要素是数据是和时间相关的，随着时间产生的。一般来讲一个超市、一个门店的一段时间的销售额是和时间强相关的，比如说随着时间有一定的上升或者下降趋势，会随着时间出现相似的周期波动，会有时低时高这种明显的季节性、时段性特征，这时候就可以用时间序列来预测数据。但是时间序列分析很复杂，算法种类多，参数多，不同场景情况不同。非高精尖专业人士做时间序列预测，往往花费很长时间仍然预测不准。

所以，帆软FineBI于2018年12月15日上线了新的数据挖掘功能——智能时序预测！

更为惊喜的是，我们将这样一套算法“黑盒”化，不需要任何算法知识就能上手，只需要选择要预测的数据，且能适应各种时间预测的场景。从目前大量实践测试的数据来看，这套模型预测的准确率优于R语言自带autoarima函数与国际先进专业数据挖掘工具的功能。

功能原理

对于时间序列预测有过了解的朋友应该清楚，时间序列预测的关键点在于预测函数候选集确定、函数参数设置与最终模型确定这三步，并且对这三步也是深恶痛绝的，毕竟这三步是最复杂也是最枯燥的步骤。

时间序列分析代码实现步骤如下图所示（以arima实现为例）：

FineBI时序预测的“智能”之处就在于，它将中间复杂的步骤、难以保障的问题都自动化解决掉了。它的使用简单到只需要输入数据，然后选择预测列与分组依据就能出来结果，甚至不需要使用的了解时间序列预测如何来做只要知道时间序列是什么样的就行。

使用流程为如下图所示：

整个操作流程——快！

以实际业务场景来说，一个连锁超市江苏省内共有三家大型门店，每个门店有50+品类商品，现有需求是预测出每个门店下每个品类未来7天的销售额和销量，然后根据预测销售额和销量进行库存调节、商品调拨等。在外部数据已经准备好的基础之上，从导入数据进入FineBI到看见各个门店各个品类未来7天的销售额和销量， 全程操作只需要导入数据–>智能时序预测（选择预测列、分组列）–>预测结果展示三步，时间只需要两分钟。

操作流程与时长如下所示：

由于FineBI的智能时序预测支持多层分组、多预测列同时预测，所以能够同时进行N个门店下的N个商品的N个预测列（销量、销售额等）预测。同样的业务场景和数据，我们将FineBI的操作时间与某国际先进专业数据挖掘工具、某国内BI工具进行对比，FineBI只需两分钟，某国际数据挖掘工具需要一个多小时，某国内BI工具单门店单产品单预测列就需要15分钟左右，并且该BI工具只能单次单门店单产品单预测列进行预测。同样的事情，用A需要2分钟，用B需要1个小时，用C需要几天，选择哪一个自然不必多说。

使用门槛——低！

FineBI的智能时序预测的使用门槛极其低，假如你是一个BI用户，那么从学习相关知识到能够使用智能预测时间不会超过一个小时。详细来讲，只要了解时间序列是什么，预测列是什么，分组列是什么就能使用智能时序预测了，真正意义上的让所有人都能够自己进行数据挖掘。

FineBI的智能时序预测门槛低是有原因的，FineBI的智能时序预测是将算法以及算法参数全部封装实现自动化选择的，因此，用户在使用智能时序预测时不需要了解时间序列分析有哪些算法， 这些算法适用于哪种时间序列，这些算法的参数是什么含义需要怎么调整。反观其他工具，国内BI工具都需要了解这些，甚至国际领先专业数据挖掘工具也需要手动设置参数范围才能实现遍历自动调参。

数据预测——准！

凡是数据挖掘都逃不了准这个字，因为只有结果准才有实际的业务价值。比如生鲜调拨，准确率50%和70%的区别就是前者的销量预测范围是实际销量的0.5倍到1.5倍范围，后者的预测范围是实际销量的0.7倍到1.3倍，映射到实际业务中就是前者的损失会是后者的一倍左右。如果预测准确率达到100%，则预测值就是未来的实际值，也就是真正意义上的预知未来了，但是100%在实际业务中严格意义上是不可能达到的，90%是追求的一个准确率高度，90%准确率也就是0.1的误差率，实际值在预测值的0.9倍到1.1倍范围内，对于实际业务的指导价值将非常巨大。

以三个真实业务场景（超市生鲜销量和销售额预测、商场销售额预测、药品销量预测）来对比说明，FineBI的预测准确率均好于其他。

数据说明：

1、国内BI工具只预测了部分产品，因为预测多产品实在实在太复杂，表格中数据是预测的部分平均误差；

2、国际数据挖掘工具有的产品误差特别大导致平均误差特别大，是由于算法单一不能适配所有产品销量序列。

表格中的误差率是在原始数据未经过任何处理的基础之上预测得来的，但是FineBI的平均准确率最低也能保持在70%左右，如果进行数据处理删除掉不适用时间序列分析的产品数据，FineBI的平均准确率能达到80%以上。

上表中，超市生鲜预测误差详情如下表所示：

超市生鲜销售额误差详细：

试想一下，领导说他想知道未来7天公司的销售额，让你去预估一下，使用FineBI智能时序预测几分钟就能搞定的事情，还需要去看各种报表、各种信息综合考虑、各种统计计算、各种拍脑袋定数字吗？

超市生鲜由于供需不平衡导致即使促销每天浪费的仍然是销量的一到两倍，使用FineBI智能时序预测，几分钟就让你预知未来几天生鲜的销量，然后根据预测销量进行生鲜调拨之后，每天浪费的在销量的0.3倍以内，损耗降低了3倍之多。

为了排除数据偶然性的顾虑，我们使用了另外两份实际客户场景数据进行预测。

某商场未来7天的销售额。以下表格是各工具预测误差的对比：

某制药企业所有产品未来三个月的销量。以下是各工具预测所有产品3个月综合误差的对比：

在三个实际业务场景预测验证下，FineBI的智能时序预测的误差低并不是偶然性，而是在其本身内部算法与模型选择机制基础之上的实力表现。

源于业务，服务于业务

好的功能绝对不是凭空想出来的，而是应该源于业务，源于实际需求，就拿时间序列分析来讲，实际的业务需求往往是需要一次性预测多个分部多个产品的多种指标，此时一个好的产品应该具备的功能有：

能够一次性多层级同时预测，比如同时预测10个门店下10个产品的销售额，也就是能够多层级变为100个时间序列来预测；在相同维度下能预测多个指标，比如时间节点完全相同，能够同时预测时间对应的销售额与销量；预测准确率高，不是单纯的做功能而不管准确率；能够最大程度上的降低使用门槛，不需要用户知道时间序列分析算法或者简单了解就能够进行时间序列分析预测。有数据本身为白噪声数据，不能预测，算法可以识别这一部分数据并且进行标记，避免干扰用户的分析预测

恰巧FineBI的智能时序预测就是满足上述条件的功能，来源于客户的真实需求，最终服务于客户的真实需求。

如此酷炫的功能，还不赶紧下载FineBI来试试？

戳↓↓↓了解更多，可免费获取企业数据挖掘方案！