产品经理对时序预测的认知

开春工作上做规划、汇报、述职叠加业务推进工作较多，部分工作推到了周末。好在最忙的时间已经过去了，终于可以谈一谈这个憋了很久的话题「产品经理对时序预测的认知」。

预测的价值

在上家公司时，基础数据分析产品做到一定程度了，希望增加一些算法能力作为卖点，预测是呼声比较高的点，但也没有人解释过，到底为什么需要预测，只是反馈某些客户想要。如果客户说要，而搞不清楚底层逻辑，就很容易陷入到处救火，但客户不满意的窘境。因此有必要搞清楚，为什么需要预测这个基本问题。

近几个月分别参观了「安阳殷墟文化遗址」、「成都金沙文化遗址」、「杭州良渚文化遗址」，这三个遗址共同特征就是都会祭祀，殷墟和金沙遗址都有出土龟壳用于占卜，即便在蛮荒时代，古人也是希望通过各种手段，对生产、生活、战争吉凶进行预测，以求更好的做决策，只是时代限制，占卜或祭祀本身并没有科学原理可考。

现在我们生活和工作中的预测问题，本质上与殷墟遗址烧龟壳占卜需求没差别，都是希望基于预测对未来情况，做提前决策和行动，以求「降本增效」，即预测本身都是起到辅助决策的价值。

预测的类型

时序预测是在时间维度上做预测，从时间尺度上可以区分为短期预测、中期预测和长期预测。不同的场景给定的时间尺度分类各不相同，但从「降本增效」角度，可以较好理解时间区分时间尺度做预测价值。

通常短期预测是解决短期供需匹配的问题，问题更为迫切，因此对短期预测精准度更高；中期预测一般用作中期一些运营或维护计划的制订；长期预测则涉及规划建设层面。通常来说，时间尺度越长，越难预测准，越不紧迫。

譬如上家公司有客户反馈，做年度规划定义一些指标会用到预测，但人人都知道计划赶不上变化的道理，即便一年后，没有按照预测目标完成业绩或超过，都是可以理解的，因为预测越久，各种随机变量对预测准确率影响叠加越大。现实世界并非像计算机代码，随机因素不得不考虑，伴随带来的问题是，中长期预测不准，就难以凸显预测的价值。因此在上家公司做通用工具做类似中长期预测需求，就难以体现产品准确率上的价值，只能讲有这个功能。

做预测本身前提是存在一定的规律，包含趋势、周期或相关性关系，因此衡量预测好坏，就看能否在结果中精确体现这些规律。按落地实现来区分，可以将预测区分为基于历史值做预测和基于相关性做预测。基于历史值就是纯基于历史结果，预测未来结果，不考虑相关性；基于相关性做预测则是综合考虑预测趋势、周期、相关因素作为输入。

做预测方法

上面讲了做预测的分类，实际落地做时序预测有不同的方式：专家规则、统计学算法、机器学习。

专家规则顾名思义就是靠人的经验做预测。各行各业的专家通过常年累月的积累，会形成一套做预测的方法，通过这些脑子中积累的规则方法，完成预测数据的生成，并在实践中，不断复盘强化专家能力。专家规则的好处在于可解释性强，容易追责；坏处是依赖人的判断和投入人力，尤其具有复杂相关性场景，专家规则属于投入产出比不高的生产方式。

统计学算法顾名思义就是依靠一些统计学算法做预测。随着数学科学的发展，有非常多的统计学算法来给现实世界得问题建模，通过统计学建模，能够快速产出预测结果，并且还可以尝试不同的统计学算法寻找最优的统计学模型。这种方式的好处在在于可解释性强，投入人力成本相对较低；坏处在于需要尝试多种不同的统计学模型，而且每个模型都不一定能够很好描述现实问题。

机器学习的做法做预测。随着近些年机器学习尤其深度学习发展，可以将众多周期因素、趋势因素、相关性因素作为输出，构建特定问题专属模型，贴身解决特定问题，成本低效果好，唯一不足是需要足够数据输入和可解释性不高。

市场上通用预测工具通常是采用统计学算法，给到用户充足算法选择空间，不断试错选择最佳模型和最佳预测效果。对于预测精度要求高的场景，机器学习是更加可行的路径，例如销量预测由于场景本身随机因素较多，统计学算法难以建模，采用机器学习能相对更好贴合实际情况做预测。

预测的可解释性

采用机器学习和深度学习算法构建的模型，天然都有可解释性不足的问题，但这些模型又在决定着人们的生产生活，因此可解释性需求越来也迫切。基于机器学习的时序预测也类似，如何将算法预测结果进行解释，以便用预测结果的人更好理解和信赖预测结果，就成了比较关键的问题。这方面技术还在成熟中，跟算命解卦类似，看到结果有解释就比没有解释强，只是需要给技术发展一些时间。