企业产品收入预测

我们分别使用宏观经济指标所有股票的总股价和当前价格gdp开发了两个模型，即模型3\\u股票和模型3\\u gdp。为了评估模型性能，与实验2类似，我们使用Model3\\u股票和Model3\\u gdp预测2015财年第一季度至第四季度第1至第4期的收入。表3A:2015财年模型3相对于模型2的表现。Geo Area=Geo1Horizon 1Horizon 2Horizon 3Horizon 4Model3\\uStock-51.72-35.36-62.92-12.94Model3\\uGDP-30.05-20.36-26.971.05表3B:2015财年模型3相对于模型2的表现。Geo Area=TotalHorizon 1Horizon 2Horizon 3Horizon 4Model3\\uStock-9.15-31.29-6.00-141.89Model3\\uGDP5.688.16-50.67-51.35我们在所有地区都进行了实验，但这里我们报告了Geo1（收入最大）和total的结果，以了解模型的性能。结果在表3A和3B中报告，使用模型2在1至4层的性能作为各自层的基线。我们在其他区域也观察到类似的行为。从表3A和3B可以推断，包含这些数据不一定有助于提高使用模型2开发的模型的准确性。我们还发现，这些宏观经济指标与我们用于实验的2009-2015财年数据集的季度收入之间的相关性较弱。这种弱相关性也解释了与模型2相比，模型3的性能没有显著改善的原因。虽然我们尝试的宏观经济指标的结果并不乐观，但为使用这些指标而开发的方法可以很容易地扩展到包括任何其他外部数据。

作为未来工作的一部分，我们计划使用更多相关的外部信息来构建模型3的特征。在过去三个季度，我们一直在使用我们的模型为微软的主要财务部门提供指导。出于模型评估目的，我们使用与企业产品相对应的收入数据进行了所有实验，然而，我们的模型是通用的，可用于具有类似业务模型的其他财务部门。我们提供预测的财务部门占微软季度总收入的50%以上。在表4中，我们将该模型的性能与对应于微软企业产品财务部数据集的专家判断进行了比较。虽然我们提供了几个地理区域的预测，但在表4中，我们提供了与地平线1计算的全球总收入预测相对应的结果。E、 例如，我们使用2016-Q3财年之前的收入数据来训练模型，然后在地平线1计算2016-Q4财年的季度收入预测。如前所述，我们使用公式（APEexp–APEml）/APEexp*100报告了机器学习模型相对于专家判断预测的改进，其中APEexp和APEml分别是与专家判断预测和机器学习模型预测相对应的绝对百分比误差。如表4所示，机器学习模型连续三个季度都显著优于专家判断预测。请注意，2016财年第二季度、第三季度和第四季度的所有专家判断和机器学习模型APE均低于5%。

由于机器学习模型比非常准确的专家判断预测有了改进，它进一步证明了我们的方法，并且机器学习在财务预测领域提供了一个很有前景的解决方案。表4：相对于人类判断的机器学习模型改进。Geo Area=TotalHorizon 1FY16-Q253%FY16-Q310%FY16-Q490%结论初步实验表明，使用机器学习算法开发的模型能够以合理的精度预测季度收入。与模型1相比，模型2的总预测误差有所改善，表明在正确的方向上取得了进展。此外，我们的方法可以轻松整合社会经济信息和关键业务驱动因素，并与相关大数据进行良好的扩展。使用我们的模型计算的季度预测已被包括首席财务官（CFO）在内的微软财务团队采用。对于我们计算的一些收入预测，我们观察到的误差低至0.1%。作为未来的工作，我们希望尝试添加更多相关的辅助数据（例如，销售计划），以提供更好的收入指标。我们还计划探索各种方法，通过在构建模型时考虑特定地理特征，将不同地理区域的误差降至最低。我们相信，使用机器学习模型进行收入预测，提供合理的准确性，将对财务组织非常有帮助，因为它将不需要人工判断，并以高效的方式进行计算。将来，我们还希望在Azure中提供端到端的自动预测解决方案。

感谢Jocelyn Barker、Matt Connes、Konstantin Golyaev、Mike Keller、Natasha Milovic和Meng Hua Wei进行了许多有益的讨论。参考文献【1】Hyndman RJ（2016）。预测：时间序列和线性模型的预测函数。R软件包版本7.1，http://github.com/robjhyndman/forecast.[2]Hyndman RJ和Khandakar Y（2008）。“自动时间序列预测：R的预测包”，《统计软件杂志》，26（3），第1-22页。http://www.jstatsoft.org/article/view/v027i03.[3]Hyndman，R.J.和Athanasopoulos，G.（2013）《预测：原则与实践》。http://otexts.org/fpp/.【4】A.Liaw和M.Wiener（2002年）。随机森林分类和回归。R新闻2（3），18-22。