A. 常见的数据预测有哪些方法各有什么优点或缺点
常见的预测方法有单点预测，即确定性预测；区间预测；和概率预测三种方法。
单点预测，顾名思义，只能给出一个预测值，不能表达该预测值的可信度；
区间预测在单点预测的基础上，给出某次预测值在某一区间上的可信度，即能够给出一个预测范围，以及以多大的可能性落在这个范围；
概率预测是咋区间预测的基础上，给出一个概率分布，预测出所有可能出现的结果，以及对应的概率。这种方法比较全面，能够给出全局信息，适于风险相关的分析。目前在气象、地震、水文和农业相关方面用的比较多。
B. 浅谈数据四-建模·分类与预测
很多企业需要通过数据分析来帮助他们了解具有某些特性的顾客的消费习惯，逗型就类似连锁零售企业希望知道下个月的销售趋势、销量，从而去准备采购原材料数量、铺货等等的，这些都是分类与预测的例子。分类和预测是预测问题的两种主要类型，分类主要是预测分类标号（离散属性），而预测主要是建立连续值函数模型，预测给定变量对应的因变量的值。
1. 分类
分类是构造一个分类模型，输入样本的属性值，输出对应的类别，将每个样本映射到预先定义好的类别。分类模型建立在已有类标记的数据集上，模型在已有样本上的准确率可以更方便的计算，所以分类是属于有监督的学习。
2.预测
预测是指建立两种或两种以上变量间相互依赖的函数模型，然后进行预测或控制。
3.实现过程
分类算法有两步过程： 一是山数猜学习步，通过归纳分析训练样本集来建立分类模型得到分类规则；二是分类步，先用已知的测试样本集评估分类规则的准确率，如果准确率是可以接受的，则使用该模型对未知类标号的待测样本集来进行预测。
预测模型的实现步骤也有两步，一是通过训练集建立预测属性（数值型的）的函数模型，第二步在模型通过检验后进行预测或控制。
回归分析是通过建立模型来研究变量之间相互关系的密切程度、结构状态以及进行模型预测的一种有效工具毕拦。在数据挖掘的环境下，自变量与因变量是具有相关关系的，自变量的值是已知的，因变量是要预测的。
决策树方法在分类、预测、规则提取等领域有广泛应用。构造决策树的核心问题是在每一步如何选择适当的属性对样本做拆分。对一个分类问题，从已知类标记的训练样本中学习并构造决策树是自上而下，分而治之的过程。
人工神经网络，是模拟生活神经网络进行信息处理的一种数学模型。它以对大脑的胜利研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现一些特定功能。其中人工神经元是人工神经网络操作的基本信息处理单位。
在人工神经网络发展过程中，提出了多种不同的学习机制，目前还没有一种特定的学习算法适用于所有的网络结构和具体问题。
C. 如何在EXCEL中进行数据预测
介绍一个最简单的方法，请看图： 其中，1 月到8 月的数据是已知的，9 月的收入，也就是黄色背景的部分，是通过FORECAST 函数计算出来的这个是官方公式书写方法：FORECAST(x, known_y's,known_x's)我翻译一下： FORECAST(要预测的Y 值所对应的X 值, 已知的Y 值序列, 已知的X 值序列)结合本例再翻译 一下：FORECAST(要预测哪个月的收入, 已知的每个月的收入序列, 与已知收入对应的月份序 列)这样解释明白了没？所以我写下了这样的公式：=FORECAST(J2,B1:I1,B2:I2)计算结果是 435，满意吗？其实这就是个很普通的线性回归。 我们用FORECAST，并非通过月份预测收入，而是通过许多个“(月份,收入)对”，找它们的规 律，预计未知月份的收入数据。回过头去看附图中的折线图表（实质上应该理解为连了线的 散点图）：深蓝色的点，就是“(月份,收入)对”在坐标中的位置，黑色的是趋势线，9 月所 对应的点是预测出来的，恰好对应趋势线的末端。 只要能看明白这个图，不再钻“收入”、“月份”等字眼的牛角尖，而只看其实质(x,y)，就不 所以不可对其太过依赖。 另外，如果决定认为线性回归是适合实际情况的算法，也就是说x 和y 确实具有比较强的线 性的相关性——也就是(x,y)对的那些点不至于排得太杂乱——那么，原则上(x,y)对的已知数 据越多，则预测结果越可靠。 最重要的一条： 还是人比较聪明，线性回归是人类智慧，FORECAST 也是人类智慧。EXCEL 的宏和VBA 功能，可以让人类的智慧得到更广阔和自由地发挥，这个以后找机会再来讨论。
D. 数据预测的步骤
数据预测的步骤：
1. 决定目标：在获取数据之前，数据价值链的第一步要先决定目标：业务部门要决定数据科学团队的目标。这些目标通常需要进行大量的数据收集和分析。因为我们正在研究那些驱动决策的数据，所以需要一个可衡量的方式，判断业务是否正向着目标前进。数据分析过程中，关键权值或性能指标必须及早发现。
2. 确定业务手段：应该通过业务的改变，来提高关键指标和达到业务目标。如果没有什么可以改变的，无论收集和分析多少数据都不可能有进步。在项目中尽早确定目标、指标和业务手段能为项目指明方向，避免无意义的数据分析。例如，目标是提高客户滞留度，其中一个指标可以是客户更新他们订阅的百分比，业务手段可以是更新页面的设计，提醒邮件的时间和内容以及特别的促销活动。
3. 数据收集：数据收集要尽量广撒网。更多的数据—-特别是更多的不同来源的数据—-使得数据科学家能找到数据之间更好的相关性，建立更好的模型，找到更多的可行性见解。大数据经济意味着个人记录往往是无用的，拥有可供分析的每一条记录才能提供真正的价值。公司通过检测它们的网站来密切跟踪用户的点击及鼠标移动，商店通过在产品上附加RFID来跟踪用户的移动，教练通过在运动员身上附加传感器来跟踪他们的行动方式。
4. 数据清洗：数据分析的第一步是提高数据质量。数据科学家要纠正拼写错误，处理缺失数据以及清除无意义的信息。这是数据价值链中最关键的步骤。垃圾数据，即使是通过最好的分析，也将产生错误的结果，并误导业务本身。不止一个公司很惊讶地发现，他们很大一部分客户住在纽约的斯克内克塔迪，而该小镇的人口不到70000人。然而，斯克内克塔迪的邮政编码是12345，由于客户往往不愿将他们的真实信息填入在线表单，所以这个邮政编码会不成比例地出现在几乎每一个客户的档案数据库中。直接分析这些数据将导致错误的结论，除非数据分析师采取措施来验证和清洗数据。尤为重要的是，这一步将规模化执行，因为连续数据价值链要求传入的数据会立即被清洗，且清洗频率非常高。这通常意味着此过程将自动执行，但这并不意味着人无法参与其中。
5. 数据建模：数据科学家构建模型，关联数据与业务成果，提出关于在第一步中确定的业务手段变化的建议。数据科学家独一无二的专业知识是业务成功的关键所在，就体现在这一步—-关联数据，建立模型，预测业务成果。数据科学家必须有良好的统计学和机器学习背景，才能构建出科学、精确的模型，避免毫无意义的相关性及一些模型的陷阱。这些模型依赖于现有的数据，但对于未来的预测是无用的。但只有统计学背景是不够的，数据科学家还需要很好地了解业务，这样他们才能判断数学模型的结果是否有意义，以及是否具有相关性。
6. 培养一个数据科学团队：数据科学家是出了名的难雇用，所以最好自己构建一个数据科学团队，让团队中那些在统计学方面有高级学位的人专注于数据建模和预测，而其他人—-合格的基础架构工程师，软件开发人员和ETL专家—-构建必要的数据收集基础设施，数据管道和数据产品，使得结果数据能够从模型中输出，并以报告和表格的形式在业务中进行展示。这些团队通常使用类似Hadoop的大规模数据分析平台自动化数据收集和分析工作，并作为一个产品运行整个过程。
7. 优化和重复：数据价值链是一个可重复的过程，能够对业务和数据价值链本身产生连续的改进。基于模型的结果，业务将根据驱动手段做出改变，数据科学团队将评估结果。在结果的基础上，企业可以决定下一步计划，而数据科学团队继续进行数据收集、数据清理和数据建模。企业重复这个过程越快，就会越早修正发展方向，越快得到数据价值。理想情况下，多次迭代后，模型将产生准确的预测，业务将达到预定的目标，结果数据价值链将用于监测和报告，同时团队中的每个人将开始解决下一个业务挑战。
E. Excel怎么预测数据
把库存预测肢解成几个关键步骤。
第一步：数据准备，依要求对EXCEL公式数据输入
先看一组实际的数据，其中蓝色字体是已知具备的数据，黄色则是需要预测的库存数据。预测库存，则至少需要具备的数据是标注蓝色三行数据。为别是：上一年度月营收，上一年度月实际库存，本年度月营收目标。可参照始下截图与视频。
第二步：依KPI目标调整预测数据
假设要求实际目标要求对总体存货周转率提升10%，则总体平均存货库存也减少10%，具体数据如下截图标注粉色行。
第三步：把总库存分解成不同物料形态的库存。这里讲的不同类别可以指的是：
物料形态分类：原材料、半成品、在制品以及成品等。
仓码分类：原材料仓、包装仓、成品仓、重要物资仓、五金仓、配件仓以及辅助物料仓等。
这里我们以第一种物料类型实例说明。须依据上年度不同物料类别占总库存的比率，再计算对应类别库存总额，如下截图。
第四：验证二无一次线性回归分析方法的准确度。
存货周转天数=(（期初库存+期末库存）/2*30）/(营收*物料成本率）=(平均库存*30）/销售成本。
依公式反推预测库存，平均库存=（目标周转天数*营收*物料成本率）/30，前提需要更多的数据信息，包括物料成本率与以往的周转天数做为计划依据。
两种不同的方法得出库存预测吻度为97%（或103%）。
F. 大数据预测分析方法有哪些
1、可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2、数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3、预测性分析能力
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4、数据质量和数据管理
大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
这是一条来自#加米谷大数据-专注大数据人才培养#的小尾巴