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()

Результат выполнения кода:

Объяснение кода:

  1. Создаем список historical_sales с имитацией исторических данных о продажах.
  2. Определяем функцию moving_average, которая вычисляет скользящее среднее с заданным размером окна.
  3. Применяем функцию moving_average к нашим данным.
  4. Визуализируем исходные данные и скользящее среднее с помощью библиотеки matplotlib.