Din webbplats får ungefär 400 besökare de flesta veckor. Men förra veckan var det 600. Nästa vecka kan det bli 300. Mönstret är inte slumpmässigt, det är säsongsbetonat. Sommaren ger mindre trafik. Slutet av månaden ger mer. Vardagar ger mer än helger.
Tidsserieprognoser använder de mönstren för att förutsäga framtida trafik. Den här artikeln går igenom hur du känner igen mönster i din data och använder dem för att prognostisera vad som väntar.
Tidsserieprognoser innebär att analysera historiska data ordnade efter tid och använda mönster för att förutsäga framtida värden. Du tittar på din trafik vecka för vecka eller månad för månad under ett år. Du identifierar mönster (toppar, dalar, säsongscykler). Sedan förlänger du de mönstren framåt.
Till skillnad från prediktiv analys i allmänhet handlar tidsserieprognoser specifikt om sekvenser över tid. De utgår från att det som hände förra veckan påverkar det som händer den här veckan. Vädret kan påverka trafiken. Säsonger påverkar shopping. Veckodagar påverkar beteende.
Vilka mönster som finns i webbplatsdata
De flesta webbplatser har återkommande mönster. Att lära sig upptäcka dem är första steget mot prognoser.
Dagliga mönster
Vardagar får mer trafik än helger för B2B-webbplatser. Helger får mer för webbutiker och underhållningssajter. Förmiddagar får fler kontorsbesök än eftermiddagar. Det är konsekvent från vecka till vecka.
Om din trafik är 600 på måndagar och 400 på lördagar upprepas troligen det mönstret. Tidsserieprognoser använder den regelbundenheten.
Veckomönster
Om du publicerar innehåll på tisdagar ökar trafiken på tisdagen. Om du skickar e-postkampanjer på torsdagsförmiddagar toppar trafiken på torsdagen. De här mönstren upprepas varje vecka.
Följ en månads data så ser du veckorytmen. När du har sett den kan du förutsäga den.
Säsongsmönster
Januari är lugnare än december. Sommaren är lugnare än hösten. Skattetider är hektiska för redovisningstjänster. Tidsserieprognoser fångar de här cyklerna som sträcker sig över flera månader.
Du behöver minst ett års data för att identifiera säsongsmönster. Sex månader är minimum för veckomönster.
Trendmönster
Utöver säsongscykler har vissa webbplatser längre trender. Nya webbplatser växer stadigt (uppåtgående trend). Mogna webbplatser planar ut. Vissa minskar. Tidsserieprognoser skiljer den långsiktiga trenden från säsongsbruset.
Om din trend växer med 10 procent per år och ditt säsongsmönster visar toppar i kvartal 4 kan du prognostisera kvartal 4 nästa år: förra årets kvartal 4 plus 10 procent tillväxt plus säsongsjustering.
Matematiken bakom tidsserieprognoser
Du behöver inte kunna matematiken för att använda den, men det hjälper att förstå idén.
Tidsserieprognoser delar upp din data i komponenter:
Trend: långsiktig riktning (växande, minskande, platt)
Säsong: återkommande mönster (dagliga, veckovisa, månatliga, årliga)
Slumpmässig variation: brus som inte följer ett mönster
Formel: Faktiskt värde = Trend + Säsong + Slump
Prognosen förutsäger trenden och säsongsdelarna. Slumpdelen förblir oförutsägbar.
Exempel: Din trafik den här veckan var 500.
Trendkomponent: +50 (växer med 50 per vecka)
Säsongskomponent: +100 (den här veckan är högsäsong)
Slumpkomponent: -50 (bara brus)
Faktiskt: 50 + 100 - 50 = 100. Bas på 400 + 100 = 500.
Nästa vecka utan den särskilda händelsen (ingen slumpmässig topp):
Trend: +50
Säsong: -75 (nästa vecka är lågsäsong)
Slump: 0
Prognos: 400 + 50 - 75 = 375
Det här är förenklat, men idén är att din prognos skiljer signal (trend plus säsong) från brus (slump).
Enkla prognosmetoder för webbplatsägare
Du behöver inga avancerade algoritmer. Enkla metoder fungerar bra.
Metod 1: Jämförelse med samma period
Trafiken denna måndag låg i snitt på 600 under det senaste året. Nästa måndag blir troligen kring 600.
Det här är den enklaste prognosen: titta på samma dag eller vecka förra året.
Metod 2: Trend plus säsong
Trafiken växte med 10 procent jämfört med föregående år och decembermånader ligger 50 procent över snittet.
Prognos för december nästa år: (Förra decembers siffra) gånger 1,10 (för 10 procent tillväxt) ger din prognos.
Metod 3: Glidande medelvärde
Räkna ut snittet av de senaste 4 veckornas trafik. Det är din bas. Lägg sedan till en säsongsjustering.
Om basen är 500 och december brukar ligga på 550 är din decemberprognos 550.
Metod 4: Exponentiell utjämning
Ge nyare data större vikt än äldre data. De senaste veckorna spelar större roll än data från ett år tillbaka eftersom saker förändras.
Om de senaste 4 veckorna i snitt låg på 480 och snittet för ett år sedan var 450 ska du lita mer på den nya datan. Prognostisera närmare 480 än 450.
Säsongsuppdelning: nyckeltekniken
Säsongsuppdelning delar upp din data i trend, säsong och slump. Det är grunden för de flesta träffsäkra prognoser.
Steg 1: Samla ett helt års data (eller flera år om du vill ha träffsäkerhet).
Steg 2: Räkna ut genomsnittet för varje period (varje måndag, varje månad och så vidare). Det är dina säsongsindex.
Steg 3: Räkna ut trenden genom att anpassa en linje till datan. Växer den? Minskar den? Är den platt?
Steg 4: Ta bort trend och säsong för att se bruset. Slumpmässig variation är det som blir kvar.
Steg 5: Förläng framåt med trend- och säsongskomponenterna. Lägg tillbaka säsongsvariationen på trendlinjen.
Du kan göra det med enkel kalkylbladsmatematik eller använda prognosverktyg som gör det automatiskt.
Verktyg som gör tidsserieprognoser enkla
Du behöver ingen avancerad programvara. Grundläggande verktyg fungerar:
Google Sheets: Inbyggd funktion för prognoser (FORECAST)
Andra kalkylprogram: Motsvarande funktioner för linjär prognos
Programmeringsbibliotek: Öppna bibliotek för tidsserier, till exempel ARIMA och LSTM
Analysplattformar: Många följer prognoser automatiskt
WEMASYs analys skulle kunna integrera prognoser och visa förväntad trafik nästa månad utifrån historiska mönster.
Tidsserieprognosernas begränsningar
Tidsserieprognoser utgår från att det förflutna förutsäger framtiden. De tar inte hänsyn till unika händelser.
Om du lanserar en stor kampanj går prognosen sönder. Om Google ändrar sökresultaten blir prognosen fel. Om ekonomin skiftar ändras mönstren.
Tidsserieprognoser fungerar när förutsättningarna är stabila. De fallerar när förutsättningarna ändras.
Så använder du prognoser i praktiken
Prognoser är inga garantier. De är vägledning för planering.
Om du prognostiserar 600 besökare nästa vecka ska du planera för 600 men vara flexibel. Om du landar på 450 undersöker du vad som ändrats. Om du landar på 800 firar du, men förstår varför.
Använd prognoser för:
Kapacitetsplanering: Behöver du fler servrar? Mer supportpersonal?
Kampanjplanering: När är bästa tid att lansera?
Intäktsprognoser: Hur ser intäkterna ut nästa kvartal?
Jämförelse mot baslinjen: Gjorde den ändringen skillnad eller var det bara säsong?
Vanliga frågor
Hur mycket historiska data behöver jag för att prognostisera träffsäkert?
Minst 6 månader för veckomönster. Minst 2 år för säsongsmönster (för att se flera cykler). Mer data ger mer träffsäkra prognoser. När du har ett år kan du prognostisera med säkerhet. Med WEMASYs webbplatsbyggare kan du ställa in det direkt på din webbplats.
Vad gör jag om min data är oregelbunden utan tydligt mönster?
Vissa webbplatser har oförutsägbar trafik (nya webbplatser, virala inlägg, politiska nyheter och så vidare). Tidsserieprognoser kräver mönster. Om din data bara är brus hjälper inte prognoser. Fokusera på trenden i stället.
Kan jag prognostisera olika segment av min trafik separat?
Ja. Prognostisera organisk sökning, annonser och e-post var för sig. Var och en kan ha olika mönster. Summera dem sedan till en total prognos. Det fungerar ofta bättre än att prognostisera den totala trafiken.
Ska jag justera min prognos manuellt?
Om du vet att något är på väg (en kampanj, en produktlansering, en säsongshändelse) ska du justera prognosen så att den tar hänsyn till det. Algoritmen känner inte till händelser, men det gör du. Använd din kunskap för att förfina prognosen.
Hur ofta ska jag uppdatera min prognos?
Minst varje månad. Lägg till ny data och räkna om prognosen. Om mönster ändras (ny kampanj, marknadsförändring) ska du räkna om direkt. Anta inte att förra månadens prognos fortfarande gäller.
Är tidsserieprognoser samma sak som prediktiv analys?
Liknande men inte samma. Prediktiv analys använder många variabler (annonsutgifter, innehållstyp, säsong och så vidare). Tidsserieprognoser fokuserar på en variabel ordnad efter tid. Tidsserier är enklare, prediktiv analys är mer komplex.