原文：
www.kdnuggets.com/2017/05/springml-sales-forecasting-using-machine-learning.html
赞助帖子。
作者：Girish Reddy，SpringML。
销售预测是组织常见的任务。这通常涉及使用电子表格的手动密集过程，需要来自组织各个层级的输入。这种方法引入了偏差，通常在季度初的几周内并不准确。实际上，那段时间准确的预测最为重要，因为在季度最后一周提供准确的预测价值不大。
尽管预测过程往往复杂，但确定其准确性却很简单。只需等到预测期结束（例如季度末），然后将预测与实际情况进行比较即可。我们对我们的模型的准确性充满信心，并邀请销售领导参与我们的人类与机器预测对决——给我们一天时间使用你的数据，我们将提供基于算法的、公正的预测。在季度末，你可以通过与内部预测进行比较来评估我们的结果。通过访问 www.springml.com/sales-forecasting-challenge并提交表单来开始。这个过程简单易行，可以让你快速看到机器学习能为你的组织带来什么。
SpringML 的应用通过执行自动运行的机器学习模型来简化预测，并提供客户销售指标的每月或季度预测（例如收入、ACV、数量）。这些模型使用历史数据来评估趋势和季节性，以及当前机会管道来预测未来 6 个月或 12 个月的情况。准确的预测可以帮助组织做出明智的业务决策。它提供了关于公司如何管理其资源——人力、时间和资金的洞察。
以下是构成我们预测集成的各种技术。
-
使用贝叶斯模型（R 中的 BSTS 包）、树基技术以及其他传统方法如 ARIMA 进行时间序列预测。
-
包含时间序列的预测因子——这些可以是任何对模型有价值的变量，例如产品使用情况、用户数量、营销支出等。根据需要包括外部数据，如行业趋势、人口统计信息等。
-
通过对开放机会运行分类算法来评估当前管道数据——这构成了集成的一部分。
-
在最终确定最佳模型集之前，评估过去几个月的集成效果。
由于预测基于数据驱动，因此该解决方案允许用户执行“如果”分析。这是一种工具，允许销售负责人确定某些因素对销售数字的影响。这种分析帮助他们确定可以使用哪些杠杆，以及这些杠杆对销售产生的影响，无论是正面还是负面。这种高级“如果”分析基于机器学习，每次用户与工具互动时，模型都会执行。一些用于此分析的变量包括销售代表数量、平均交易持续时间、平均交易金额、赢单率百分比。例如，销售经理可以查看如果增加招聘会发生什么，或者确定折扣计划的影响。该功能列表是可配置的，可以包括对公司更有意义的其他因素。
通过发送电子邮件至[email protected]了解更多信息