Аналитика данных
October 8, 2023
Как оценить потенциальный спрос на новый продукт с помощью методов прогнозирования?
Разберем пример прогнозирования спроса на новый продукт на основе исторических данных с использованием Python. В данном примере мы будем использовать простой метод временных рядов - скользящее среднее.
Подготовка данных
Предположим, у нас есть исторические данные о продажах некоторого аналогичного продукта. Создадим простой список данных для примера:
historical_sales = [10, 15, 12, 18, 20, 25, 22, 30]
Применение метода скользящего среднего
Скользящее среднее позволяет увидеть общий тренд данных, сглаживая возможные выбросы.
def moving_average(data, window_size): moving_avg_values = [] for i in range(len(data) - window_size + 1): window = data[i:i+window_size] avg_value = sum(window) / window_size moving_avg_values.append(avg_value) return moving_avg_values # Применяем скользящее среднее window_size = 3 moving_avg_values = moving_average(historical_sales, window_size)
Визуализация результатов
Для наглядности визуализируем исходные данные и скользящее среднее.
import matplotlib.pyplot as plt plt.plot(historical_sales, label='Исторические продажи') plt.plot(moving_avg_values, label=f'Скользящее среднее (window {window_size})') plt.legend() plt.xlabel('Месяц') plt.ylabel('Продажи') plt.title('Прогнозирование спроса на новый продукт') plt.show().show()
- Создаем список
historical_sales
с имитацией исторических данных о продажах. - Определяем функцию
moving_average
, которая вычисляет скользящее среднее с заданным размером окна. - Применяем функцию
moving_average
к нашим данным. - Визуализируем исходные данные и скользящее среднее с помощью библиотеки
matplotlib
.