A. 常見的數據預測有哪些方法各有什麼優點或缺點
常見的預測方法有單點預測，即確定性預測；區間預測；和概率預測三種方法。
單點預測，顧名思義，只能給出一個預測值，不能表達該預測值的可信度；
區間預測在單點預測的基礎上，給出某次預測值在某一區間上的可信度，即能夠給出一個預測范圍，以及以多大的可能性落在這個范圍；
概率預測是咋區間預測的基礎上，給出一個概率分布，預測出所有可能出現的結果，以及對應的概率。這種方法比較全面，能夠給出全局信息，適於風險相關的分析。目前在氣象、地震、水文和農業相關方面用的比較多。
B. 淺談數據四-建模·分類與預測
很多企業需要通過數據分析來幫助他們了解具有某些特性的顧客的消費習慣，逗型就類似連鎖零售企業希望知道下個月的銷售趨勢、銷量，從而去准備采購原材料數量、鋪貨等等的，這些都是分類與預測的例子。分類和預測是預測問題的兩種主要類型，分類主要是預測分類標號（離散屬性），而預測主要是建立連續值函數模型，預測給定變數對應的因變數的值。
1. 分類
分類是構造一個分類模型，輸入樣本的屬性值，輸出對應的類別，將每個樣本映射到預先定義好的類別。分類模型建立在已有類標記的數據集上，模型在已有樣本上的准確率可以更方便的計算，所以分類是屬於有監督的學習。
2.預測
預測是指建立兩種或兩種以上變數間相互依賴的函數模型，然後進行預測或控制。
3.實現過程
分類演算法有兩步過程： 一是山數猜學習步，通過歸納分析訓練樣本集來建立分類模型得到分類規則；二是分類步，先用已知的測試樣本集評估分類規則的准確率，如果准確率是可以接受的，則使用該模型對未知類標號的待測樣本集來進行預測。
預測模型的實現步驟也有兩步，一是通過訓練集建立預測屬性（數值型的）的函數模型，第二步在模型通過檢驗後進行預測或控制。
回歸分析是通過建立模型來研究變數之間相互關系的密切程度、結構狀態以及進行模型預測的一種有效工具畢攔。在數據挖掘的環境下，自變數與因變數是具有相關關系的，自變數的值是已知的，因變數是要預測的。
決策樹方法在分類、預測、規則提取等領域有廣泛應用。構造決策樹的核心問題是在每一步如何選擇適當的屬性對樣本做拆分。對一個分類問題，從已知類標記的訓練樣本中學習並構造決策樹是自上而下，分而治之的過程。
人工神經網路，是模擬生活神經網路進行信息處理的一種數學模型。它以對大腦的勝利研究成果為基礎，其目的在於模擬大腦的某些機理與機制，實現一些特定功能。其中人工神經元是人工神經網路操作的基本信息處理單位。
在人工神經網路發展過程中，提出了多種不同的學習機制，目前還沒有一種特定的學習演算法適用於所有的網路結構和具體問題。
C. 如何在EXCEL中進行數據預測
介紹一個最簡單的方法，請看圖： 其中，1 月到8 月的數據是已知的，9 月的收入，也就是黃色背景的部分，是通過FORECAST 函數計算出來的這個是官方公式書寫方法：FORECAST(x, known_y's,known_x's)我翻譯一下： FORECAST(要預測的Y 值所對應的X 值, 已知的Y 值序列, 已知的X 值序列)結合本例再翻譯 一下：FORECAST(要預測哪個月的收入, 已知的每個月的收入序列, 與已知收入對應的月份序 列)這樣解釋明白了沒？所以我寫下了這樣的公式：=FORECAST(J2,B1:I1,B2:I2)計算結果是 435，滿意嗎？其實這就是個很普通的線性回歸。 我們用FORECAST，並非通過月份預測收入，而是通過許多個「(月份,收入)對」，找它們的規 律，預計未知月份的收入數據。回過頭去看附圖中的折線圖表（實質上應該理解為連了線的 散點圖）：深藍色的點，就是「(月份,收入)對」在坐標中的位置，黑色的是趨勢線，9 月所 對應的點是預測出來的，恰好對應趨勢線的末端。 只要能看明白這個圖，不再鑽「收入」、「月份」等字眼的牛角尖，而只看其實質(x,y)，就不 所以不可對其太過依賴。 另外，如果決定認為線性回歸是適合實際情況的演算法，也就是說x 和y 確實具有比較強的線 性的相關性——也就是(x,y)對的那些點不至於排得太雜亂——那麼，原則上(x,y)對的已知數 據越多，則預測結果越可靠。 最重要的一條： 還是人比較聰明，線性回歸是人類智慧，FORECAST 也是人類智慧。EXCEL 的宏和VBA 功能，可以讓人類的智慧得到更廣闊和自由地發揮，這個以後找機會再來討論。
D. 數據預測的步驟
數據預測的步驟：
1. 決定目標：在獲取數據之前，數據價值鏈的第一步要先決定目標：業務部門要決定數據科學團隊的目標。這些目標通常需要進行大量的數據收集和分析。因為我們正在研究那些驅動決策的數據，所以需要一個可衡量的方式，判斷業務是否正向著目標前進。數據分析過程中，關鍵權值或性能指標必須及早發現。
2. 確定業務手段：應該通過業務的改變，來提高關鍵指標和達到業務目標。如果沒有什麼可以改變的，無論收集和分析多少數據都不可能有進步。在項目中盡早確定目標、指標和業務手段能為項目指明方向，避免無意義的數據分析。例如，目標是提高客戶滯留度，其中一個指標可以是客戶更新他們訂閱的百分比，業務手段可以是更新頁面的設計，提醒郵件的時間和內容以及特別的促銷活動。
3. 數據收集：數據收集要盡量廣撒網。更多的數據—-特別是更多的不同來源的數據—-使得數據科學家能找到數據之間更好的相關性，建立更好的模型，找到更多的可行性見解。大數據經濟意味著個人記錄往往是無用的，擁有可供分析的每一條記錄才能提供真正的價值。公司通過檢測它們的網站來密切跟蹤用戶的點擊及滑鼠移動，商店通過在產品上附加RFID來跟蹤用戶的移動，教練通過在運動員身上附加感測器來跟蹤他們的行動方式。
4. 數據清洗：數據分析的第一步是提高數據質量。數據科學家要糾正拼寫錯誤，處理缺失數據以及清除無意義的信息。這是數據價值鏈中最關鍵的步驟。垃圾數據，即使是通過最好的分析，也將產生錯誤的結果，並誤導業務本身。不止一個公司很驚訝地發現，他們很大一部分客戶住在紐約的斯克內克塔迪，而該小鎮的人口不到70000人。然而，斯克內克塔迪的郵政編碼是12345，由於客戶往往不願將他們的真實信息填入在線表單，所以這個郵政編碼會不成比例地出現在幾乎每一個客戶的檔案資料庫中。直接分析這些數據將導致錯誤的結論，除非數據分析師採取措施來驗證和清洗數據。尤為重要的是，這一步將規模化執行，因為連續數據價值鏈要求傳入的數據會立即被清洗，且清洗頻率非常高。這通常意味著此過程將自動執行，但這並不意味著人無法參與其中。
5. 數據建模：數據科學家構建模型，關聯數據與業務成果，提出關於在第一步中確定的業務手段變化的建議。數據科學家獨一無二的專業知識是業務成功的關鍵所在，就體現在這一步—-關聯數據，建立模型，預測業務成果。數據科學家必須有良好的統計學和機器學習背景，才能構建出科學、精確的模型，避免毫無意義的相關性及一些模型的陷阱。這些模型依賴於現有的數據，但對於未來的預測是無用的。但只有統計學背景是不夠的，數據科學家還需要很好地了解業務，這樣他們才能判斷數學模型的結果是否有意義，以及是否具有相關性。
6. 培養一個數據科學團隊：數據科學家是出了名的難僱用，所以最好自己構建一個數據科學團隊，讓團隊中那些在統計學方面有高級學位的人專注於數據建模和預測，而其他人—-合格的基礎架構工程師，軟體開發人員和ETL專家—-構建必要的數據收集基礎設施，數據管道和數據產品，使得結果數據能夠從模型中輸出，並以報告和表格的形式在業務中進行展示。這些團隊通常使用類似Hadoop的大規模數據分析平台自動化數據收集和分析工作，並作為一個產品運行整個過程。
7. 優化和重復：數據價值鏈是一個可重復的過程，能夠對業務和數據價值鏈本身產生連續的改進。基於模型的結果，業務將根據驅動手段做出改變，數據科學團隊將評估結果。在結果的基礎上，企業可以決定下一步計劃，而數據科學團隊繼續進行數據收集、數據清理和數據建模。企業重復這個過程越快，就會越早修正發展方向，越快得到數據價值。理想情況下，多次迭代後，模型將產生准確的預測，業務將達到預定的目標，結果數據價值鏈將用於監測和報告，同時團隊中的每個人將開始解決下一個業務挑戰。
E. Excel怎麼預測數據
把庫存預測肢解成幾個關鍵步驟。
第一步：數據准備，依要求對EXCEL公式數據輸入
先看一組實際的數據，其中藍色字體是已知具備的數據，黃色則是需要預測的庫存數據。預測庫存，則至少需要具備的數據是標注藍色三行數據。為別是：上一年度月營收，上一年度月實際庫存，本年度月營收目標。可參照始下截圖與視頻。
第二步：依KPI目標調整預測數據
假設要求實際目標要求對總體存貨周轉率提升10%，則總體平均存貨庫存也減少10%，具體數據如下截圖標注粉色行。
第三步：把總庫存分解成不同物料形態的庫存。這里講的不同類別可以指的是：
物料形態分類：原材料、半成品、在製品以及成品等。
倉碼分類：原材料倉、包裝倉、成品倉、重要物資倉、五金倉、配件倉以及輔助物料倉等。
這里我們以第一種物料類型實例說明。須依據上年度不同物料類別占總庫存的比率，再計算對應類別庫存總額，如下截圖。
第四：驗證二無一次線性回歸分析方法的准確度。
存貨周轉天數=(（期初庫存+期末庫存）/2*30）/(營收*物料成本率）=(平均庫存*30）/銷售成本。
依公式反推預測庫存，平均庫存=（目標周轉天數*營收*物料成本率）/30，前提需要更多的數據信息，包括物料成本率與以往的周轉天數做為計劃依據。
兩種不同的方法得出庫存預測吻度為97%（或103%）。
F. 大數據預測分析方法有哪些
1、可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2、數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3、預測性分析能力
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4、數據質量和數據管理
大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。 當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
這是一條來自#加米穀大數據-專注大數據人才培養#的小尾巴