烟草营销案例数据分析【题目分析+完整解题代码】

详细解题文章见：
https://blog.csdn.net/mrdeam/article/details/140675605

对未来销量进行预测 解题代码

使用历史销售数据构建2个不同类型的时间序列预测模型，分别对
A1、A2香烟品牌的未来销量进行数据预测，目标为表中最后空白项。自行选择和设计模型类型
、参数、结构。

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
import warnings
warnings.filterwarnings('ignore') 

# 选择需要预测的品牌（例如 A1 和 A2）
brand_A1 = df[df['名称'] == 'A1']
brand_A2 = df[df['名称'] == 'A2']

# 定义一个函数来训练并预测ARIMA模型
def arima_forecast(data):
    # 将月份设为索引，并转换成时间序列
    data['月份'] = pd.to_datetime(data['月份'])
    data.set_index('月份', inplace=True)
    
    # 提取销量数据作为时间序列
    sales_ts = data['销量（箱）']
    
    # 拟合ARIMA模型
    model = ARIMA(sales_ts, order=(1, 1, 1))  # 这里选择了一个简单的ARIMA模型，你可以根据需要调整参数
    model_fit = model.fit()
    
    # 预测未来销量
    forecast = model_fit.forecast(steps=12)  # 假设预测未来12个月
    
    return forecast

# 对品牌A1进行预测
forecast_A1 = arima_forecast(brand_A1)

# 对品牌A2进行预测
forecast_A2 = arima_forecast(brand_A2)

# 打印预测结果
print("品牌 A1 的未来销量预测：")
print(forecast_A1)

print("\n品牌 A2 的未来销量预测：")
print(forecast_A2)

解题思路

1. 数据理解和准备：

• 确保理解提供的5个Excel文件，每个文件包含以下字段：
  • 月份：销售的自然月
  • 样品代码：产品身份标识
  • 名称：产品名称
  • 销量（箱）：产品当月销售箱数
  • 金额（元）：产品当月销售总金额
• 确认数据已经进行了脱敏和预处理，可以直接进行分析。

2. 时间序列预测模型选择：

针对每个香烟品牌（A1和A2），选择适合的时间序列预测模型。
模型选择建议：

• ARIMA 模型：

  • ARIMA 模型适用于稳定和有规律的时间序列数据，可以捕捉数据中的趋势和周期性。
  • 适合用于没有太强季节性变化的销售数据预测。

• 季节性 ARIMA 模型 (SARIMA)：

  • 如果数据显示明显的季节性变化（例如，某个香烟品牌在特定季节销量较高），可以考虑使用SARIMA模型。
  • SARIMA 模型可以处理季节性影响，如春节或节假日对销量的影响。

• 指数平滑模型：

  • 如果销量数据变化不规律或不具备明显的季节性，可以考虑指数平滑模型。
  • 简单指数平滑（SES）或双指数平滑（DES）可以用来捕捉数据中的趋势和季节性效应。