Η ιστοσελίδα σου παίρνει περίπου 400 επισκέπτες τις περισσότερες εβδομάδες. Την περασμένη εβδομάδα όμως ήταν 600. Την επόμενη μπορεί να είναι 300. Το μοτίβο δεν είναι τυχαίο, είναι εποχικό. Το καλοκαίρι έχει λιγότερη επισκεψιμότητα. Το τέλος του μήνα έχει περισσότερη. Οι καθημερινές έχουν περισσότερη από τα Σαββατοκύριακα.
Η πρόβλεψη χρονοσειρών χρησιμοποιεί αυτά τα μοτίβα για να προβλέψει τη μελλοντική επισκεψιμότητα. Αυτό το άρθρο καλύπτει πώς να αναγνωρίζεις μοτίβα στα δεδομένα σου και να τα χρησιμοποιείς για να προβλέψεις τι έρχεται.
Η πρόβλεψη χρονοσειρών είναι η πρακτική του να αναλύεις ιστορικά δεδομένα με σειρά χρόνου και να χρησιμοποιείς μοτίβα για να προβλέψεις μελλοντικές τιμές. Κοιτάς την επισκεψιμότητά σου εβδομάδα με εβδομάδα ή μήνα με μήνα σε έναν χρόνο. Βρίσκεις μοτίβα (κορυφές, κοιλάδες, εποχικούς κύκλους). Μετά τα προεκτείνεις προς το μέλλον.
Σε αντίθεση με τη γενική προγνωστική ανάλυση, η πρόβλεψη χρονοσειρών αφορά ειδικά ακολουθίες στον χρόνο. Αναγνωρίζει ότι ό,τι έγινε την περασμένη εβδομάδα επηρεάζει ό,τι γίνεται αυτή την εβδομάδα. Ο καιρός μπορεί να επηρεάσει την επισκεψιμότητα. Οι εποχές επηρεάζουν τις αγορές. Οι μέρες της εβδομάδας επηρεάζουν τη συμπεριφορά.
Ποια μοτίβα υπάρχουν στα δεδομένα μιας ιστοσελίδας
Οι περισσότερες ιστοσελίδες έχουν επαναλαμβανόμενα μοτίβα. Το να μάθεις να τα εντοπίζεις είναι το πρώτο βήμα για την πρόβλεψη.
Καθημερινά μοτίβα
Οι καθημερινές έχουν περισσότερη επισκεψιμότητα από τα Σαββατοκύριακα στις ιστοσελίδες B2B. Τα Σαββατοκύριακα έχουν περισσότερη στα e-shop και στις ιστοσελίδες ψυχαγωγίας. Τα πρωινά έχουν περισσότερες επισκέψεις από γραφεία σε σχέση με τα απογεύματα. Αυτά είναι σταθερά από εβδομάδα σε εβδομάδα.
Αν η επισκεψιμότητά σου είναι 600 τις Δευτέρες και 400 τα Σάββατα, το μοτίβο αυτό πιθανότατα επαναλαμβάνεται. Η πρόβλεψη χρονοσειρών χρησιμοποιεί αυτή την κανονικότητα.
Εβδομαδιαία μοτίβα
Αν δημοσιεύεις περιεχόμενο τις Τρίτες, η επισκεψιμότητα ανεβαίνει την Τρίτη. Αν στέλνεις καμπάνιες email Πέμπτη πρωί, η επισκεψιμότητα κορυφώνεται την Πέμπτη. Αυτά τα μοτίβα επαναλαμβάνονται κάθε εβδομάδα.
Παρακολούθησε έναν μήνα δεδομένων και θα δεις τον εβδομαδιαίο ρυθμό. Μόλις τον δεις, μπορείς να τον προβλέψεις.
Εποχικά μοτίβα
Ο Ιανουάριος είναι πιο αργός από τον Δεκέμβριο. Το καλοκαίρι είναι πιο αργό από το φθινόπωρο. Η περίοδος φορολογικών δηλώσεων είναι πιο πολυάσχολη για λογιστικές υπηρεσίες. Η πρόβλεψη χρονοσειρών πιάνει αυτούς τους κύκλους πολλών μηνών.
Χρειάζεσαι τουλάχιστον έναν χρόνο δεδομένων για να βρεις εποχικά μοτίβα. Έξι μήνες είναι το ελάχιστο για εβδομαδιαία μοτίβα.
Μοτίβα τάσης
Πέρα από τους εποχικούς κύκλους, κάποιες ιστοσελίδες έχουν μακρύτερες τάσεις. Οι νέες ιστοσελίδες μεγαλώνουν σταθερά (ανοδική τάση). Οι ώριμες σταθεροποιούνται. Κάποιες πέφτουν. Η πρόβλεψη χρονοσειρών ξεχωρίζει τη μακροπρόθεσμη τάση από τον εποχικό θόρυβο.
Αν η τάση σου μεγαλώνει 10 τοις εκατό τον χρόνο και το εποχικό σου μοτίβο δείχνει αιχμές στο τέταρτο τρίμηνο, μπορείς να προβλέψεις το τέταρτο τρίμηνο του επόμενου χρόνου: το τέταρτο τρίμηνο του περασμένου χρόνου συν 10 τοις εκατό ανάπτυξη συν εποχική προσαρμογή.
Τα μαθηματικά πίσω από την πρόβλεψη χρονοσειρών
Δεν χρειάζεται να ξέρεις τα μαθηματικά για να τη χρησιμοποιήσεις, αλλά η κατανόηση της ιδέας βοηθά.
Η πρόβλεψη χρονοσειρών σπάει τα δεδομένα σου σε συνιστώσες:
Τάση: μακροπρόθεσμη κατεύθυνση (αυξάνεται, μειώνεται, σταθερή)
Εποχικότητα: επαναλαμβανόμενα μοτίβα (καθημερινά, εβδομαδιαία, μηνιαία, ετήσια)
Τυχαία διακύμανση: θόρυβος που δεν ακολουθεί μοτίβο
Τύπος: Πραγματική τιμή = Τάση + Εποχικότητα + Τυχαίο
Η πρόβλεψη προβλέπει το μέρος της τάσης και της εποχικότητας. Το τυχαίο μέρος μένει απρόβλεπτο.
Παράδειγμα: Η επισκεψιμότητά σου αυτή την εβδομάδα ήταν 500.
Συνιστώσα τάσης: +50 (αυξάνεται 50 την εβδομάδα)
Εποχική συνιστώσα: +100 (αυτή η εβδομάδα είναι περίοδος αιχμής)
Τυχαία συνιστώσα: -50 (απλώς θόρυβος)
Πραγματική: 50 + 100 - 50 = 100. Βάση 400 + 100 = 500.
Την επόμενη εβδομάδα χωρίς το ειδικό γεγονός (χωρίς τυχαία αιχμή):
Τάση: +50
Εποχικότητα: -75 (η επόμενη εβδομάδα είναι εκτός αιχμής)
Τυχαίο: 0
Πρόβλεψη: 400 + 50 - 75 = 375
Είναι απλοποιημένο, αλλά η ιδέα είναι ότι η πρόβλεψή σου ξεχωρίζει το σήμα (τάση συν εποχή) από τον θόρυβο (τυχαίο).
Απλές μέθοδοι πρόβλεψης για ιδιοκτήτες ιστοσελίδων
Δεν χρειάζεσαι πολύπλοκους αλγορίθμους. Οι απλές μέθοδοι δουλεύουν καλά.
Μέθοδος 1: Σύγκριση της ίδιας περιόδου
Η επισκεψιμότητα αυτής της Δευτέρας είχε μέσο όρο 600 τον τελευταίο χρόνο. Την επόμενη Δευτέρα θα είναι μάλλον γύρω στο 600.
Αυτή είναι η πιο απλή πρόβλεψη: κοίτα την ίδια μέρα ή εβδομάδα πέρυσι.
Μέθοδος 2: Τάση συν εποχικότητα
Η επισκεψιμότητα μεγάλωσε 10 τοις εκατό από χρόνο σε χρόνο και οι Δεκέμβριοι είναι 50 τοις εκατό πάνω από τον μέσο όρο.
Πρόβλεψη για τον Δεκέμβριο του επόμενου χρόνου: (περσινός Δεκέμβριος) επί 1,10 (για 10 τοις εκατό ανάπτυξη) ισούται με την πρόβλεψή σου.
Μέθοδος 3: Κινητός μέσος όρος
Πάρε τον μέσο όρο των τελευταίων 4 εβδομάδων επισκεψιμότητας. Αυτή είναι η βάση σου. Μετά πρόσθεσε εποχική προσαρμογή.
Αν η βάση είναι 500 και ο Δεκέμβριος κάνει συνήθως 550, η πρόβλεψή σου για τον Δεκέμβριο είναι 550.
Μέθοδος 4: Εκθετική εξομάλυνση
Δώσε περισσότερο βάρος στα πρόσφατα δεδομένα από τα παλιά. Οι πρόσφατες εβδομάδες μετράνε περισσότερο από τα δεδομένα ενός χρόνου πριν, γιατί τα πράγματα αλλάζουν.
Αν οι τελευταίες 4 εβδομάδες είχαν μέσο όρο 480 και ο μέσος όρος πριν από έναν χρόνο ήταν 450, εμπιστεύσου περισσότερο τα πρόσφατα δεδομένα. Προέβλεψε πιο κοντά στο 480 παρά στο 450.
Εποχική αποσύνθεση: η βασική τεχνική
Η εποχική αποσύνθεση χωρίζει τα δεδομένα σου σε συνιστώσες τάσης, εποχικότητας και τυχαίου. Είναι η βάση των περισσότερων ακριβών προβλέψεων.
Βήμα 1: Μάζεψε έναν ολόκληρο χρόνο δεδομένων (ή πολλά χρόνια αν θέλεις ακρίβεια).
Βήμα 2: Υπολόγισε τον μέσο όρο για κάθε περίοδο (κάθε Δευτέρα, κάθε μήνα κ.λπ.). Αυτοί είναι οι εποχικοί δείκτες σου.
Βήμα 3: Υπολόγισε την τάση περνώντας μια γραμμή μέσα από τα δεδομένα. Αυξάνεται; Μειώνεται; Είναι σταθερή;
Βήμα 4: Αφαίρεσε την τάση και την εποχικότητα για να δεις τον θόρυβο. Η τυχαία διακύμανση είναι ό,τι μένει.
Βήμα 5: Προέκτεινε προς το μέλλον με τις συνιστώσες τάσης και εποχικότητας. Πρόσθεσε ξανά την εποχική διακύμανση στη γραμμή της τάσης.
Μπορείς να το κάνεις με απλά μαθηματικά σε υπολογιστικό φύλλο ή να χρησιμοποιήσεις εργαλεία πρόβλεψης που το κάνουν αυτόματα.
Εργαλεία που κάνουν εύκολη την πρόβλεψη χρονοσειρών
Δεν χρειάζεσαι προχωρημένο λογισμικό. Τα βασικά εργαλεία δουλεύουν:
Google Sheets: Ενσωματωμένη συνάρτηση FORECAST
Άλλα λογιστικά φύλλα: FORECAST ή FORECAST.LINEAR
Βιβλιοθήκες Python: μοντέλα όπως ARIMA και LSTM
Πλατφόρμες στατιστικών: Πολλές παρακολουθούν προβλέψεις αυτόματα
Τα στατιστικά του WEMASY θα μπορούσαν να ενσωματώσουν πρόβλεψη, δείχνοντάς σου την προβλεπόμενη επισκεψιμότητα για τον επόμενο μήνα με βάση ιστορικά μοτίβα.
Περιορισμοί της πρόβλεψης χρονοσειρών
Η πρόβλεψη χρονοσειρών υποθέτει ότι το παρελθόν προβλέπει το μέλλον. Δεν λαμβάνει υπόψη μοναδικά γεγονότα.
Αν ξεκινήσεις μεγάλη καμπάνια, η πρόβλεψη σπάει. Αν η Google αλλάξει τα αποτελέσματα αναζήτησης, η πρόβλεψη είναι λάθος. Αν αλλάξει η οικονομία, αλλάζουν τα μοτίβα.
Η πρόβλεψη χρονοσειρών δουλεύει όταν οι συνθήκες μένουν σταθερές. Αποτυγχάνει όταν οι συνθήκες αλλάζουν.
Πώς να χρησιμοποιείς πρακτικά τις προβλέψεις
Οι προβλέψεις δεν είναι εγγυήσεις. Είναι οδηγοί για σχεδιασμό.
Αν προβλέπεις 600 επισκέπτες την επόμενη εβδομάδα, σχεδίασε για 600 αλλά μείνε ευέλικτος. Αν φτάσεις 450, ψάξε τι άλλαξε. Αν φτάσεις 800, γιόρτασε αλλά κατάλαβε γιατί.
Χρησιμοποίησε τις προβλέψεις για:
Σχεδιασμό δυναμικότητας: Θα χρειαστείς περισσότερους διακομιστές; Περισσότερο προσωπικό υποστήριξης;
Σχεδιασμό καμπανιών: Πότε είναι η καλύτερη στιγμή για λανσάρισμα;
Πρόβλεψη εσόδων: Πώς θα είναι τα έσοδα το επόμενο τρίμηνο;
Σύγκριση με τη βάση: Η αλλαγή αυτή έκανε διαφορά ή ήταν απλώς εποχική;
Συχνές ερωτήσεις
Πόσα ιστορικά δεδομένα χρειάζομαι για ακριβή πρόβλεψη;
Τουλάχιστον 6 μήνες για εβδομαδιαία μοτίβα. Τουλάχιστον 2 χρόνια για εποχικά μοτίβα (για να δεις πολλούς κύκλους). Περισσότερα δεδομένα σημαίνουν ακριβέστερες προβλέψεις. Μόλις έχεις έναν χρόνο, μπορείς να προβλέπεις με σιγουριά. Με τον δημιουργό ιστοσελίδων του WEMASY, μπορείς να το στήσεις απευθείας στην ιστοσελίδα σου.
Τι γίνεται αν τα δεδομένα μου είναι ακανόνιστα χωρίς καθαρό μοτίβο;
Κάποιες ιστοσελίδες έχουν απρόβλεπτη επισκεψιμότητα (νέες ιστοσελίδες, viral περιεχόμενο, πολιτικές ειδήσεις κ.λπ.). Η πρόβλεψη χρονοσειρών χρειάζεται μοτίβα. Αν τα δεδομένα σου είναι θόρυβος, η πρόβλεψη δεν θα βοηθήσει. Εστίασε στην τάση.
Μπορώ να προβλέπω χωριστά διαφορετικά τμήματα της επισκεψιμότητάς μου;
Ναι. Προέβλεψε χωριστά την οργανική αναζήτηση, τις διαφημίσεις και το email. Το καθένα μπορεί να έχει διαφορετικά μοτίβα. Μετά πρόσθεσέ τα για τη συνολική πρόβλεψη. Αυτό συχνά δουλεύει καλύτερα από την πρόβλεψη της συνολικής επισκεψιμότητας.
Να προσαρμόζω χειροκίνητα την πρόβλεψή μου;
Αν ξέρεις ότι έρχεται κάτι (καμπάνια, λανσάρισμα προϊόντος, εποχικό γεγονός), προσάρμοσε την πρόβλεψη ώστε να το λαμβάνει υπόψη. Ο αλγόριθμος δεν ξέρει για γεγονότα. Εσύ ξέρεις. Χρησιμοποίησε τη γνώση σου για να βελτιώσεις την πρόβλεψη.
Πόσο συχνά να ενημερώνω την πρόβλεψή μου;
Τουλάχιστον μία φορά τον μήνα. Πρόσθεσε νέα δεδομένα, ξαναϋπολόγισε την πρόβλεψη. Αν αλλάξουν τα μοτίβα (νέα καμπάνια, μετακίνηση της αγοράς), ξαναϋπολόγισε αμέσως. Μην υποθέτεις ότι η πρόβλεψη του περασμένου μήνα ισχύει ακόμα.
Είναι η πρόβλεψη χρονοσειρών το ίδιο με την προγνωστική ανάλυση;
Παρόμοια αλλά διαφορετική. Η προγνωστική ανάλυση χρησιμοποιεί πολλές μεταβλητές (δαπάνη διαφημίσεων, τύπο περιεχομένου, εποχικότητα κ.λπ.). Η πρόβλεψη χρονοσειρών εστιάζει σε μία μεταβλητή με σειρά χρόνου. Οι χρονοσειρές είναι πιο απλές. Η προγνωστική είναι πιο σύνθετη.