Din hjemmeside får omkring 400 besøgende de fleste uger. Men sidste uge var det 600. Næste uge bliver det måske 300. Mønstret er ikke tilfældigt, det er sæsonbestemt. Om sommeren er der mindre trafik. I slutningen af måneden er der mere. På hverdage er der mere end i weekenden.
Tidsserieprognoser bruger de mønstre til at forudsige fremtidig trafik. Her gennemgår vi, hvordan du genkender mønstre i dine data og bruger dem til at forudsige, hvad der kommer.
Tidsserieprognoser er at analysere tidligere data i tidsrækkefølge og bruge mønstrene til at forudsige fremtidige værdier. Du ser på din trafik uge for uge eller måned for måned over et år. Du finder mønstre (toppe, bunde, sæsoncyklusser). Derefter fremskriver du dem.
I modsætning til almindelig prædiktiv analytics handler tidsserieprognoser specifikt om forløb over tid. Den tager højde for, at det, der skete i sidste uge, påvirker det, der sker i denne uge. Vejret kan påvirke trafikken. Årstiderne påvirker shopping. Ugedagene påvirker adfærd.
Hvilke mønstre findes i hjemmesidedata
De fleste hjemmesider har tilbagevendende mønstre. At lære at få øje på dem er første skridt mod at lave prognoser.
Daglige mønstre
Hverdage giver mere trafik end weekender for B2B-hjemmesider. Weekender giver mere for webshops og underholdningssider. Om morgenen er der flere kontorbesøg end om eftermiddagen. Det er stabilt fra uge til uge.
Er din trafik 600 om mandagen og 400 om lørdagen, gentager mønstret sig sandsynligvis. Tidsserieprognoser bruger den regelmæssighed.
Ugentlige mønstre
Udgiver du indhold om tirsdagen, stiger trafikken om tirsdagen. Sender du e-mailkampagner torsdag morgen, topper trafikken torsdag. De mønstre gentager sig hver uge.
Følg en måneds data, så ser du ugens rytme. Når du har set den, kan du forudsige den.
Sæsonmønstre
Januar er langsommere end december. Sommer er langsommere end efterår. Skattetiden er travlere for regnskabstjenester. Tidsserieprognoser fanger de cyklusser, der løber over flere måneder.
Du skal bruge mindst et års data for at finde sæsonmønstre. Seks måneder er minimum for ugentlige mønstre.
Tendensmønstre
Ud over sæsoncyklusser har nogle hjemmesider længere tendenser. Nye hjemmesider vokser støt (opadgående tendens). Modne hjemmesider flader ud. Nogle falder. Tidsserieprognoser skiller den langsigtede tendens fra sæsonstøjen.
Vokser din tendens 10 procent om året, og viser dit sæsonmønster toppe i fjerde kvartal, kan du lave en prognose for fjerde kvartal næste år: sidste års fjerde kvartal plus 10 procents vækst plus sæsonjustering.
Matematikken bag tidsserieprognoser
Du behøver ikke kende matematikken for at bruge den, men det hjælper at forstå idéen.
Tidsserieprognoser deler dine data op i dele:
Tendens: den langsigtede retning (vokser, falder, flad)
Sæson: tilbagevendende mønstre (daglige, ugentlige, månedlige, årlige)
Tilfældige udsving: støj, der ikke følger et mønster
Formel: Faktisk værdi = Tendens + Sæson + Tilfældigt
Prognosen forudsiger tendens og sæson. Den tilfældige del forbliver uforudsigelig.
Eksempel: Din trafik var 500 i denne uge.
Tendensdel: +50 (vokser med 50 om ugen)
Sæsondel: +100 (denne uge er højsæson)
Tilfældig del: -50 (bare støj)
Faktisk: 50 + 100 - 50 = 100. Grundniveau på 400 + 100 = 500.
Næste uge uden den særlige begivenhed (ingen tilfældigt udsving):
Tendens: +50
Sæson: -75 (næste uge er lavsæson)
Tilfældigt: 0
Prognose: 400 + 50 - 75 = 375
Det er forenklet, men idéen er, at din prognose skiller signal (tendens plus sæson) fra støj (tilfældigt).
Enkle metoder til prognoser for hjemmesideejere
Du behøver ikke komplekse algoritmer. Enkle metoder virker fint.
Metode 1: Sammenligning med samme periode
Trafikken på denne mandag lå i gennemsnit på 600 over det seneste år. Næste mandag bliver sandsynligvis omkring 600.
Det er den enkleste prognose: se på samme dag eller uge sidste år.
Metode 2: Tendens plus sæson
Trafikken voksede 10 procent år over år, og decembermåneder ligger 50 procent over gennemsnittet.
Prognose for december næste år: (sidste december) gange 1,10 (for 10 procents vækst) er din prognose.
Metode 3: Glidende gennemsnit
Tag gennemsnittet af de sidste 4 ugers trafik. Det er dit grundniveau. Læg derefter sæsonjustering til.
Er grundniveauet 500, og ligger december normalt på 550, er din prognose for december 550.
Metode 4: Eksponentiel udjævning
Giv nyere data mere vægt end gamle data. De seneste uger betyder mere end data fra for et år siden, fordi tingene ændrer sig.
Lå de sidste 4 uger på 480 i gennemsnit, og lå gennemsnittet for et år siden på 450, så stol mere på de nyeste data. Lav prognosen tættere på 480 end 450.
Sæsonopdeling: den vigtigste metode
Sæsonopdeling skiller dine data i tendens, sæson og tilfældige dele. Det er grundlaget for de fleste præcise prognoser.
Trin 1: Indsaml et helt års data (eller flere år, hvis du vil have præcision).
Trin 2: Beregn gennemsnittet for hver periode (hver mandag, hver måned og så videre). Det er dine sæsonindeks.
Trin 3: Beregn tendensen ved at lægge en linje gennem dataene. Vokser den? Falder den? Er den flad?
Trin 4: Fjern tendens og sæson for at se støjen. De tilfældige udsving er det, der er tilbage.
Trin 5: Fremskriv ud fra tendens og sæson. Læg sæsonudsvingene tilbage på tendenslinjen.
Du kan gøre det med enkel regnearksmatematik eller bruge prognoseværktøjer, der gør det automatisk.
Værktøjer, der gør tidsserieprognoser nemme
Du behøver ikke avanceret software. Enkle værktøjer virker:
Google Sheets: Indbygget funktion FORECAST
Regneark: FORECAST eller FORECAST.LINEAR
Python-biblioteker: ARIMA, LSTM og et prognosebibliotek udviklet af Facebook
Analyseplatforme: Mange laver prognoser automatisk
Nogle analyseværktøjer kan vise forventet trafik for næste måned ud fra tidligere mønstre.
Begrænsninger ved tidsserieprognoser
Tidsserieprognoser går ud fra, at fortiden forudsiger fremtiden. Den tager ikke højde for enestående begivenheder.
Starter du en stor kampagne, holder prognosen ikke. Ændrer Google søgeresultaterne, er prognosen forkert. Skifter økonomien, ændrer mønstrene sig.
Tidsserieprognoser virker, når forholdene er stabile. De svigter, når forholdene ændrer sig.
Sådan bruger du prognoser i praksis
Prognoser er ikke garantier. De er vejledning til planlægning.
Forudsiger du 600 besøgende næste uge, så planlæg efter 600, men vær fleksibel. Rammer du 450, så find ud af, hvad der ændrede sig. Rammer du 800, så fejr det, men forstå hvorfor.
Brug prognoser til:
Kapacitetsplanlægning: Har du brug for flere servere? Mere supportpersonale?
Kampagneplanlægning: Hvornår er det bedste tidspunkt at starte?
Omsætningsprognoser: Hvordan ser omsætningen ud næste kvartal?
Sammenligning med udgangspunktet: Flyttede den ændring noget, eller var det bare sæson?
Ofte stillede spørgsmål
Hvor mange tidligere data har jeg brug for for at lave en præcis prognose?
Mindst 6 måneder til ugentlige mønstre. Mindst 2 år til sæsonmønstre (for at se flere cyklusser). Flere data giver mere præcise prognoser. Når du har et år, kan du lave prognoser med god sikkerhed. Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Hvad hvis mine data er urolige og uden tydeligt mønster?
Nogle hjemmesider har uforudsigelig trafik (nye hjemmesider, viralt indhold, politiske nyheder og så videre). Tidsserieprognoser kræver mønstre. Er dine data bare støj, hjælper prognoser ikke. Fokusér på tendensen i stedet.
Kan jeg lave prognoser for forskellige dele af min trafik hver for sig?
Ja. Lav prognoser for organisk søgning, annoncer og e-mail hver for sig. Hver kan have sine egne mønstre. Læg dem derefter sammen til en samlet prognose. Det virker ofte bedre end at forudsige den samlede trafik.
Skal jeg justere min prognose manuelt?
Ved du, at noget er på vej (en kampagne, en produktlancering, en sæsonbegivenhed), så justér prognosen, så den tager højde for det. Algoritmen kender ikke til begivenheder, men det gør du. Brug din viden til at forfine prognosen.
Hvor ofte skal jeg opdatere min prognose?
Mindst en gang om måneden. Tilføj nye data, og beregn prognosen igen. Ændrer mønstrene sig (ny kampagne, markedsskifte), så beregn den igen med det samme. Gå ikke ud fra, at sidste måneds prognose stadig gælder.
Er tidsserieprognoser det samme som prædiktiv analytics?
Ligner, men er ikke det samme. Prædiktiv analytics bruger mange variable (annoncebudget, indholdstype, sæson og så videre). Tidsserieprognoser fokuserer på én variabel i tidsrækkefølge. Tidsserier er enklere. Prædiktiv er mere kompleks.