企业产品收入预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Revenue Forecasting for Enterprise Products》
---
作者：
Amita Gajewar, Gagan Bansal
---
最新提交年份：
2016
---
英文摘要：
  For any business, planning is a continuous process, and typically business-owners focus on making both long-term planning aligned with a particular strategy as well as short-term planning that accommodates the dynamic market situations. An ability to perform an accurate financial forecast is crucial for effective planning. In this paper, we focus on providing an intelligent and efficient solution that will help in forecasting revenue using machine learning algorithms. We experiment with three different revenue forecasting models, and here we provide detailed insights into the methodology and their relative performance measured on real finance data. As a real-world application of our models, we partner with Microsoft\'s Finance organization (department that reports Microsoft\'s finances) to provide them a guidance on the projected revenue for upcoming quarters.
---
中文摘要：
对于任何企业来说，规划都是一个持续的过程，通常企业主都会将重点放在使长期规划与特定战略保持一致，以及使短期规划适应动态的市场形势。执行准确财务预测的能力对于有效规划至关重要。在本文中，我们致力于提供一种智能高效的解决方案，该解决方案将有助于使用机器学习算法预测收入。我们对三种不同的收入预测模型进行了实验，在此我们提供了对该方法及其在实际财务数据上衡量的相对绩效的详细见解。作为我们模型的真实应用程序，我们与Microsoft的财务组织（报告Microsoft财务的部门）合作，为他们提供关于未来季度预计收入的指导。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--

---
PDF下载：
--> Revenue_Forecasting_for_Enterprise_Products.pdf (510.69 KB)

2022-5-31 18:29:19 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Quantitative Applications Organization Application Forecasting

企业产品Samita Gajewar和Gagan Bansal的收入预测。摘要对于任何企业来说，规划都是一个持续的过程，通常企业主都会将重点放在使长期规划与特定战略保持一致，以及使短期规划适应动态的市场形势。执行准确财务预测的能力对于有效规划至关重要。在本文中，我们致力于提供一种智能高效的解决方案，该解决方案将有助于使用机器学习算法预测收入。我们对三种不同的收入预测模型进行了实验，在此我们提供了对该方法及其在实际财务数据上衡量的相对绩效的详细见解。作为我们模型的真实应用程序，我们与Microsoft的财务组织（报告Microsoft财务的部门）合作，为他们提供关于未来季度预计收入的指导。引言传统上，对于任何公司来说，季度收入和/或销售预测都是由该领域的专家进行的，他们在多年的销售和营销领域积累了丰富的知识，并使用了某些统计方法。这些预测是为了与field的执行计划建模保持一致。尽管这些专家做出的预测至关重要，但我们相信，如果我们使用能够从历史财务数据和预测收入中学习的机器学习算法，那么这一过程将更有效率和准确性。使用机器学习算法的另一个重要优势是，它可以整合与业务相关的社会经济信息，并可能对应于大数据集（数百万条记录）。

在本文中，我们深入了解了我们使用标准时间序列和回归算法开发的三种不同的机器学习模型。这篇论文的会议版发表在《2016年预测国际研讨会论文集》上。Amita Gajewar，Microsoft Corp.，1020 Enterprise Way，Sunnyvale，CA，USA.电子邮件：amitag@microsoft.com.GaganBansal，Microsoft Corp.，1020 Enterprise Way，Sunnyvale，CA，USA。电子邮件：gaganba@microsoft.com.特别是，我们使用ARIMA（自回归综合移动平均）、ETS（指数平滑）、STL（黄土季节和趋势分解）和随机森林机器学习算法提供收入预测，作为Microsoft Finance在季度收入预测过程中使用的指南。在详细描述算法之前，我们先提到一些涉及的挑战：  有限的数据集：公司每年只有4个季度收入数字。（注意：可以登录每日收入数据，但是，我们使用季度数据来预测季度收入）。  动态市场条件：一个或多个地理区域的商业和经济政策变化可能会影响这些区域的整体销售，预测影响是不重要的。在以下部分中，我们将提供正式的问题定义，然后介绍我们的机器学习模型，然后提供这些模型的比较性能。问题定义：考虑到全球m个不同地理区域的历史季度收入，我们希望预测每个地理区域下一季度（以及未来一年）的收入以及全球总收入（总计）。

可以使用其他数据，例如在这些领域推出的特定产品，以及反映市场状况（当前和过去）的潜在宏观经济指标。为了评估我们开发的不同模型，我们使用了与Microsoft企业产品相对应的财务数据集。我们将这些数据分割成m个地理区域，以便评估不同地区和全球（整个数据集）的模型性能。考虑到数据的机密性，我们选择不披露用于将数据划分为不同地区的逻辑和实际收入数字的详细信息。此外，我们还为这些地理区域提供了虚拟名称，例如Geo1、Geo2、，和Geom。请注意，我们的模型可以推广到分区不基于地理区域的数据集。不过，出于评估目的，我们根据位置进行划分，因为它与大多数跨国公司相关。收入预测模型现在，我们描述了我们为收入预测问题开发的三种不同模型。  模型1-时间序列模型：对于每个地理区域和全球总量，滚动窗口大小为14个季度，我们构建了与这些季度的收入数据相对应的时间序列，季节性为4个季度。接下来，我们使用R中可用的函数，如auto。arima、ets、stlf和预测（[1]、[2]），构建arima、ets和STL模型（[3]），并预测下一季度的收入；我们将这些预测称为arima预测、ets预测和stl预测。此外，我们使用这三种预测构造派生特征，例如，我们将平均ts预测构造为arima预测、ets预测和stl预测的平均值。

假设当前季度为q，我们希望预测季度收入（q+1）。为了在如上所述构建的基于时间序列的预测中选择最佳预测，我们找出这些模型中哪一个在历史季度（q，…，q-3）的MAPE（平均绝对百分比误差）最低。然后，我们将从该模型获得的预测报告为季度（q+1）的最终预测。这里的直觉是，能够捕捉最近季度最佳趋势和季节性的模型预计在下一季度也会表现良好。可以进一步扩展此模型，以包括外部数据，例如，即将到来和/或最近季度的产品发布信息。一种方法是从外部数据和基于时间序列的每个季度预测构建衍生特征，然后以观测收入为目标生成线性模型。利用线性模型和基于时间序列的模型的输出，可以构建季度（q+1）的最终预测。  模型2-随机森林回归模型：我们使用R（[4]）中的随机森林算法开发了一个更复杂的模型，该模型具有更丰富的特征集，如：来自标准时间序列模型（如模型1所述）的预测、地平线、地理区域和滞后特征。此外，利用该模型，我们预测了未来四个季度的收入（即提前四个季度）。为了详细说明此方法，让我们假设当前季度为q，并且我们希望在地理区域=A1的季度（q+h）预测收入，这意味着我们希望从当前季度q预测收入h。

为此，我们将特征集构建为：（1）地平线=h，（2）地理区域=A1，（3）使用A1对应的16个季度（q，q-1，…，q-15）的历史收入数据，我们构建了ARIMA时间序列模型，并使用它生成地平线h的预测，我们称之为ARIMA预测。（4） 利用A1对应的过去16个季度（q，q-1，…，q-15）的收入数据，我们构建了ETS时间序列模型，并使用它生成地平线h的预测，我们称之为ETS预测。（5） 使用A1对应的过去16个季度（q，q-1，…，q-15）的收入数据，我们使用STL时间序列模型生成地平线h的预测，我们称之为STL预测。（6） 对于地理区域=A1，使用过去八个季度（q，q-1，…，q-8）的历史收入数据的滞后特征。（7） 我们还使用前面提到的arima预测、ets预测和stl预测的平均值构建衍生特征。对于我们进行的大多数实验，我们将最大地平线设置为4。因此，在滚动窗口大小为16个季度的情况下，我们训练时间序列模型ARIMA、ETS和STL，并生成第1、2、3和4层的预测。请注意，对于每个地理区域，我们分别训练时间序列模型，并相应地生成预测。这可确保捕获特定位置的财务趋势。如前所述，一旦我们为地平线1至4的所有地理区域构建了与2009-2014财年收入数据相对应的培训数据，我们将在此整个数据集上训练随机森林模型，并捕捉全球趋势。我们试图训练特定于地理位置的随机森林模型，但发现在整个数据集上进行的训练在减少全球收入预测误差方面取得了更好的性能。

然后，使用该随机森林模型，我们获得了2015财年第1、2、3和4期季度收入的预测。为此，我们使用R中的预测功能。  模型3-具有宏观经济指标的随机森林回归模型：我们通过包括宏观经济指标（所有股票的总股价和各个地理区域的当前价格国内生产总值）来增强模型2中使用的特征集。我们希望将全球市场的趋势纳入我们的模型，因此，作为第一步，我们选择使用GDP和股市数据作为模型的特征之一。所有股票的总股价数据均为季度水平，并调整为单位指数2010=1，而当前价格国内生产总值数据为本币。对于这两种功能，我们通过计算季度收入的同比增长（与前一年同一季度相比的增长）来构建衍生功能，因此不需要在所有地区使用标准货币。请注意，有关这些宏观经济指标的信息在未来时间段可能无法获得，因此，如果我们想使用这些指标构建功能集，那么我们需要首先预测这些指标在未来几个季度的值。然后，我们可以将这些预测的宏观经济指标用于我们的收入预测模型。为了实现这一目标，我们使用基于时间序列的单变量预测模型（ARIMA）预测2015财年对应的这些宏观经济指标的数据，并将这些预测作为特征集的一部分在测试数据集中使用。

例如，以下是与美国宏观经济指标的联系：https://research.stlouisfed.org/fred2/series/SPASTT01USQ661N.  https://research.stlouisfed.org/fred2/series/USAGDPNQDSMEI.模型评估  实验1–评估地平线1的模型1和2。使用2009-2014财年的收入数据，我们按照模型1和2所述对模型进行培训，并预测地平线1 2015财年第一季度、第二季度、第三季度和第四季度的收入。然后，我们计算2015财年各地区和总地区的MAPE（平均绝对百分比误差）。考虑到数据的机密性，我们选择不报告观察到的实际错误，而是在表1中报告模型2相对于模型1的性能。E、 例如，如果模型1的误差为x，而模型2的误差为y，则表中包含（x-y）/x*100作为模型2与模型1相比的性能指标。在表1中，为了便于说明，我们报告了与地理区域子集相对应的结果。为此，我们非排他性地使用以下标准选择地理区域：（a）收入最高的三个地理区域（Geo1、Geo4和Geo5）。（b） 模型1优于模型2的前两个地理区域（Geo3和Geo4）。（c） 模型2优于模型1的前两个地理区域（Geo1和Geo2）。（d） 全球所有地理区域的总数。可以观察到，模型2的总体精度（total）明显优于模型1。此外，我们还观察到，模型2在收入较高的地区表现更好。E、 例如，在表1中，模型2优于模型1的Geo1和Geo5分别占全球测试数据集收入的44%和11%。

对于Geo3和Geo4地区，与模型1相比，模型2的表现要差得多，但其总收入贡献不到全球测试数据收入的10%。因此，尽管模型2在这些地区的相对表现较差，但模型2预测的全球收入更准确。请注意，作为项目的第一步，我们的目标是在全球（总体）水平上更加准确。区域准确性很重要，提高各个地理区域的准确性将是我们继续工作的下一步。表1:2015财年地平线1模型2相对于模型1的绩效。地理区域模型2Geo138.30Geo243.69Geo3-93.80Geo4-166.67Geo511.97Geo6-9.05总计11.45  实验2：模型2跨多个地平线的评估在实验1中，观察到模型2在最小化地平线1的总预测误差方面表现更好。利用该模型，我们预测了2015财年第一季度至第四季度第1至4季度的收入，并在表2中报告了结果。在这里，地平线1 MAPE对应于2015财年（第一季度、第二季度、第三季度和第四季度）观测到的平均APE，预测为一个季度。地平线2 MAPE对应于2015财年第二季度、第三季度和第四季度观测到的平均APE，预测为两个季度。类似地，地平线3 MAPE对应于2015财年第三季度和第四季度观测到的平均APE，预测为四分之三。最后，地平线4 MAPE对应于2015财年至第四季度的平均APE，预测为四个季度。在表2中，我们报告了使用模型2生成的模型在地平线2、3和4的性能，并与地平线1的性能进行了比较。

从表2可以看出，在地平线2上，与地平线1相比，大多数单个区域以及整个区域的模型性能并没有明显下降。然而，与地平线1预测相比，地平线4大多数区域的误差更大。尽管我们希望我们的模型能够为近期提供更准确的结果，因为它对业务规划至关重要，但我们也希望探索减少在更长时间内观察到的错误的方法。此外，请注意，对于Geo1，地平线4处模型的相对性能似乎明显较差，但这也是因为在地平线1处观测到的Geo1误差非常小，当将其用作公式中的分母以计算相对性能时，会产生大量误差。从表2还可以看出，模型2以合理的精度预测了所有四个层位的总量。请注意，对于2015财年的测试数据集，在每个地平线上观察到的从1到4的总预测误差小于3.5%（由于机密性，无法共享确切数字）。这是一个很好的指标，表明模型2生成的预测对全球总体的长期预测是可靠的。表2:2015财年模型2在地平线2、3和4相对于地平线1的表现。Geo区域Horizon 2 Horizon 3 Horizon 4Geo1-37.9356.16-322.66Geo214.05-26.4821.18Geo3-4.53-48.67-72.02Geo43.88-30.00-81.63Geo53.47-16.00-44.27Geo6-13.0232.99-36.28Total53.6352.6876.66  实验3–跨多个视野评估模型3。如前所述，在模型3中，我们包含了与宏观经济指标相对应的其他特征。