从数据核验,
到有依据的判断。
从研究问题、数据核验到模型解释与决策建议。这里完整展示两项学习期间的研究实践,以及我在分析、复核和团队协作中的具体工作。
销售预测与预算情景分析
一个预测数字背后,隐藏着对未来市场的不同判断。本项目从交易记录核验出发,比较两种概率预测方法,并进一步分析产品和渠道的波动差异,形成可解释的预算情景。
为什么年度预算需要一个区间?
AdventureWorks 的规划问题不仅是“明年能卖多少”,还包括增长目标是否合理、下行风险有多大,以及库存和产能应如何配置。单点预测容易让管理者忽略估计背后的波动与假设,因此本项目将年度销售规划转化为一组可比较、可解释的概率情景。
- 下一年度销售收入的合理范围是什么?
- 近期增长延续与历史经营水平重现,会带来多大预测差异?
- 不同产品及渠道应采用怎样的预算与备货安排?
项目最终交付包括可复现的 Python Notebook、管理层报告、Power BI 展示文件及演示文稿。目标是说明预测如何形成、为什么不同,以及如何被用于决策。
先确认数据可靠,再解释预测结果
数据来自 AdventureWorks 样例工作簿,覆盖 2017年7月1日至2020年6月15日。以销售事实表为核心,关联日期、产品、销售区域和订单渠道维度,形成包含 121,253条交易记录的分析数据集。原始业务数据期间与本人完成项目的时间不同。
数据处理的重点是验证关联没有改变交易粒度,以及不完整年度不会被误当作完整年度用于同比比较。销售额先聚合为日度序列,再补齐全部1,081个日历日期,检查日期缺口和零销售日。
| 核验事项 | 原报告结果 | 分析处理 |
|---|---|---|
| 关联完整性 | 关联前后记录数一致 | 检查交易粒度,避免关联造成重复或丢失 |
| 日期与金额 | 无效日期、负销售额、零销售额均为0 | 确认核心时间序列具备可用性 |
| 区域字段 | 2,113条区域键为空 | 保留在总销售序列中;区域细分分析需关注覆盖限制 |
| 年度完整性 | 2018与2019为完整自然年 | 不直接比较2017与2020的全年销售规模 |
记录数一致是必要核验,但并不单独证明所有字段都正确。区域缺失也提醒我:总体预测可用,不代表每个细分维度都具有同等的数据质量。
数据如何组织:以销售交易为中心的关联结构
日期、产品、区域与渠道不是四套独立销售额,而是同一笔交易的不同观察角度。关联时应先确认维度键是否唯一,再检查关联结果的粒度和金额口径。下图概括本项目实际使用的核心关联结构,帮助读者把后续品类、渠道分析与交易底表对应起来。
用两种模型回答两个不同的问题
Monte Carlo:近期增长如果延续
以2019年销售额约4,289.51万美元为基期,利用2019年6月至2020年5月的12个月末TTM同比增长观测估计参数。增长率均值为43.23%,标准差为8.78%,据此抽取10,000次正态随机增长率并计算下一年度销售。
预测销售额 = 基期销售额 × (1 + 模拟增长率)
固定随机种子为42,输出均值、P5—P95区间及超过指定增长目标的模拟比例。该模型用于刻画增长动能持续的情景。
Daily Bootstrap:历史日销售水平如果重现
以1,081天历史日销售额作为样本池,有放回地抽取365个日销售值,累加为一个模拟年度;重复1,000次,得到年度收入分布与日度统计结果。
模拟年度销售额 = 365个抽样日销售额之和
固定随机种子为43。该模型不外推近期增长趋势,反映历史样本销售水平及其波动下的年度情景。
两种方法的对照价值在于让假设显性化。模型A依赖增长分布及其延续性,模型B依赖历史样本的代表性;因此,二者均值不同不能直接判定哪一个更准确。
独立日度重采样保留的是历史日销售值的经验分布,不能自动保留原始时间顺序、连续季节结构或自相关。图中的90%区间为模拟结果P5—P95范围。
重采样不是把日销售额简单乘以365
一次抽样只产生一个年度情景;重复抽样后才形成结果分布。某个历史销售日可能在同一情景中被多次抽中,也可能完全没有被抽中。汇总这些年度结果,才能观察均值、离散程度和分位数区间。
65.5%的差异,来自不同的未来假设
同一数据,两种假设下的年度销售预测
单位:百万美元 · 横线为模拟结果的P5—P95范围,圆点为均值
| 结果指标 | Monte Carlo | Daily Bootstrap |
|---|---|---|
| 年度销售均值 | 6,139.84万美元 | 3,710.40万美元 |
| P5—P95模拟区间 | 5,513.47万—6,762.13万美元 | 3,463.36万—3,957.47万美元 |
| 变异系数 CV | 6.17% | 4.09% |
| 情景解释 | 近期增长动能延续 | 历史日销售分布重现 |
两种年度均值相差约2,429.45万美元,Monte Carlo结果较Bootstrap高约65.5%。这一差异反映了增长情景与历史重现情景的区别。较窄的模拟区间也不意味着预测一定更准确:区间宽度仍受模型设定影响。
继续向下拆分:收入贡献与波动程度需要分别判断
项目进一步按产品和渠道分别开展200次、每次365天的Bootstrap模拟。Bikes贡献86.17%的收入,但相对波动最低;经销渠道贡献73.26%的收入,其CV高于互联网渠道。因此,大收入板块不一定波动更高,渠道销售结构也值得单独检查。
将“收入占比”与“波动率”放在一起阅读
品类收入占比说明资源和业绩对哪个板块更依赖,CV说明模拟收入相对于自身均值的波动。两者不能相互替代。Bikes在总体收入中的权重很高,即使相对波动较低,仍然是预算监测的核心;小品类CV较高,则提示短周期补货和需求跟踪可能更合适。
把预测输出转化为可调整的预算安排
在报告提出的规划方案中,Bootstrap的P5—P95范围约3,460万—3,960万美元作为保守预算参考;Monte Carlo约5,510万—6,760万美元的区间作为增长持续时的上行情景参考。这里的“保守”是相对于本项目增长模型而言,并不等同于对所有经营风险的保证。
| 规划层次 | 分析建议 | 需要持续观察的信息 |
|---|---|---|
| 基础预算 | 参考历史重采样区间安排资源 | 实际收入、订单结构、预测偏差 |
| 上行情景 | 近期增长持续时再评估扩张安排 | TTM同比是否连续3个月超过45% |
| 品类管理 | 核心品类稳定安排;高CV小品类采用更灵活的补货节奏 | 销量波动、周转及缺货情况 |
| 渠道管理 | 经销与互联网渠道分别评估库存及现金缓冲 | 批量订单节奏、回款安排和渠道需求 |
45%的监测阈值及连续三个月条件是项目提出的管理规则,尚未经过真实企业运行验证。实际应用应结合需求变化、供应约束与资金成本重新校准,而非直接照搬模拟结果。
预算机制的关键是“有条件地更新”
上行情景应在新证据支持下重新评估。即便增长条件达到阈值,也应同步检查订单质量、回款、库存及产能,避免将模型中的增长直接转化为不可逆的资源投入。图中区间为便于管理沟通而作的近似值,精确模拟结果见上文及报告。
个人完成的工作,以及下一步如何改进
作为个人项目,我完成了数据整合与核验、日度及年度序列构建、两条模拟路径、细分波动分析,并将结果整理为报告、Notebook和Power BI展示。Python中使用pandas进行数据处理、NumPy进行随机模拟、Matplotlib制作分析图形,Power BI用于结果呈现。
方法上的审视
TTM增长样本只有12个且窗口重叠,独立性有限;增长参数与正态假设可能影响模拟区间。历史样本也不能覆盖未来全部极端事件。
后续验证方向
采用滚动回测比较预测与实际;检验分块或季节分层重采样;补充参数敏感性分析,再决定哪种模型更适合具体预算周期。
这项实践与审计岗位的连接主要在于:追溯数据来源、复核处理逻辑、审视管理层估计假设,并清楚区分计算结果、解释和建议。项目未宣称模型已被企业采用或实现经营改善。
回到原始图表:怎样读取预测分布?
以下三张图片直接提取自本人提交的项目报告,保留原始结果和图形。它们与前面的区间图互补:区间图方便比较结论,直方图展示模拟结果的集中程度,日度图帮助理解预测期内的统计表现。

读图重点:最高的柱子不等于确定会实现的收入
柱高表示该收入区间出现的模拟次数。分布的中心及尾部共同构成预算讨论,而非只选择最常见的一个区间。此图的近似钟形与模型设定有关,不能被视为未来收入必然服从正态分布的证据。

读图重点:两张直方图的横轴尺度不同
比较模型时应读取具体金额和区间,而不能直接用图形宽窄判断风险大小。模拟次数也不同,因此纵轴柱高不可跨图直接比较。前文以CV和P5—P95范围提供统一的结果摘要。

读图重点:平稳的均值线来自抽样设定
各预测日都从同一历史样本池独立抽取,因此平均水平相近。均值线平稳主要反映该抽样机制,并不意味着真实业务没有季节性。要研究季节规律,下一步应考虑按月份分层或采用分块抽样。
原始成果与分析材料
可继续查阅报告、代码与展示文件,核对研究方法及原始结果。
跨境支付效率与金融包容性
支付更快,是否也意味着成本更低、服务更公平?本项目以爱尔兰央行学生数据挑战为背景,将支付结构、跨境效率与金融可达性放入同一研究框架,并在六人协作中形成一份完整研究报告。
从“支付速度”走向效率、成本与包容性的综合评价
研究围绕爱尔兰零售支付体系展开,关注银行卡、贷记转账、直接借记及数字支付渠道的功能分工,同时研究爱尔兰与意大利之间SEPA交易的速度和费用。第三部分进一步考察城市、郊区、农村与偏远地区的金融渠道使用差异。
挑战提供的是合成、匿名模拟数据。本项目利用这些数据练习接近政策研究场景的分析流程,研究结果应理解为对挑战样本的发现,而非现实市场的官方统计。
- 不同支付工具分别承担怎样的交易频率和金额功能?
- 即时支付的速度优势是否伴随额外费用,费用负担如何随交易规模变化?
- 区域位置与渠道配置如何关联金融服务使用,政策应如何回应?
让指标定义与业务问题保持一致
| 数据模块 | 分析对象 | 核心指标 |
|---|---|---|
| 零售支付结构 | 支付工具及线上线下渠道 | 交易笔数与金额占比、数字化分类、HHI |
| D08 跨境SEPA | 749,706笔模拟交易;IE→IT与IT→IE | 处理小时数、总费用、费用/交易金额 |
| D07 金融服务渠道 | ATM、网点及扩展渠道样本 | 每千名服务人口交易量、渠道状态与区域分类 |
D08中,IE→IT为374,763笔,IT→IE为374,943笔,双向交易数基本均衡;SEPA CT占75.07%,Instant占13.01%,DD占11.92%。这些构成信息有助于解释总体均值,避免把占比最大的支付方式等同于所有交易。
为什么同时看“总费用”和“单位费率”?
总费用衡量一次支付实际承担的金额,单位费率则将费用与交易规模联系起来。同样的费用对小额支付者可能意味着更重的相对负担,因此两个指标应并行分析。
单位费率 = 总费用 ÷ 交易金额
每千人交易强度 = 月交易量 ÷ 服务人口 × 1,000
渠道使用强度进行人口标准化,有助于比较不同服务规模;HHI用于观察支付份额集中程度。解释HHI时仍需保持分类口径一致,尤其注意“即时支付”与其他支付工具之间可能存在的概念层级差异。
先看样本构成,再解释平均效率
SEPA CT约占四分之三的交易,整体平均处理时间因而会较多反映这一支付方式。Instant在样本中只有约13%,总体均值不能替代对其单独评价。报告同时保留按支付方式分组的笔数、处理时间和费用,防止不同构成带来的汇总偏差。
从描述性事实到回归检验,再检查结论稳定性
第一层:支付体系结构分析
结合Excel与Python进行频数、份额和交叉维度分析,区分高频小额交易与低频大额资金转移,考察数字渠道与传统网点的互补关系。这是我独立负责的核心研究模块。
第二层:跨境支付效率与费用分析
团队先比较支付方式、交易方向及用途之间的差异,再对处理时间、总费用和单位费率分别建模。回归中纳入支付方式、金额、用途与方向等适用变量,并使用对数变换处理偏态分布。
第三层:渠道使用与区域差异
以人口标准化的交易强度为基础,比较ATM与网点、城乡位置和渠道状态,同时控制县域差异;通过服务人口分组和交互项检验,进一步观察人口压力与区域差异是否共同出现。
我的回归分析使用Stata完成。作为组长,我同时指导成员进行指标构建、模型设定、结果解释与稳健性检查。Excel和Python用于团队不同模块的数据整理、结构分析与结果复核,随附代码文件保留团队提供的分析实现。
| 检查目的 | 项目采用的做法 | 解读重点 |
|---|---|---|
| 变量变换敏感性 | 对数形式与原尺度重新估计 | 核心结论是否依赖某一种指标形式 |
| 极端值影响 | 剔除关键变量上下各1%的极端观测 | 主要方向是否被少数观测推动 |
| 渠道样本选择 | 加入POS、限定活跃渠道 | 区域差异是否依赖特定样本 |
| 模型与人群差异 | Logit、地区及服务人口分组、交互项 | 平均关系是否掩盖不同场景的变化 |
Stata分析如何连接研究问题与结论?
回归的作用是在纳入其他相关因素后比较统计关系,再通过替换指标和调整样本检查关系是否稳定。显著性用于评估样本中的统计证据,系数的业务含义还取决于单位、参照组和变换形式。团队在解释结果时,应同时说明这些条件。
更快的支付,与更低的费用并非同一件事
模拟样本中,即时支付明显更快,但平均总费用更高。
SEPA Instant平均处理时间约0.0207小时,即约1.24分钟;CT约24小时,DD约31.25小时。同时,Instant平均总费用约0.5157欧元,高于CT的0.2158欧元。速度与费用分别衡量不同业务目标,不能只用单一维度评价支付方案。
费用回归显示,交易金额增大时总费用可能增加,但单位费率下降;IT→IE方向及部分用途的相对费用负担较高。这提示费用透明度和小额支付成本值得单独讨论。上述结论在项目的原尺度与极端值处理检查中总体保持。
金融可达性:区域梯度比单一渠道排名更值得关注
渠道基准模型中,郊区、农村和偏远地区相对城市的系数分别为−0.429、−1.281和−2.184,报告均标注p<0.01。地理位置越偏远,样本中的人口标准化渠道使用强度越低。
渠道结论也有情境差异:基准模型中的网点交易强度低于ATM,但在高服务人口组中,网点系数出现方向变化。因此,不能仅凭总体平均结果判定网点“没有价值”,更需要结合业务功能与服务压力讨论配置。
我的贡献:建立共同框架,也完成具体分析
我担任六人小组组长,承担研究框架设计、任务分工、成员分析指导与成果整合。我的工作既包括保证不同模块回答同一个研究主题,也包括独立完成支付体系结构分析,并使用Stata开展回归分析。
| 责任层次 | 具体工作 | 对成果的作用 |
|---|---|---|
| 项目统筹 | 组织结构、效率、可达性三个研究模块;协调分工与结论衔接 | 避免各模块成为互不关联的独立分析 |
| 个人分析 | 统计工具与渠道占比、数字化指标和HHI;解释频率与金额功能差异 | 为后续交易效率和区域服务讨论提供背景 |
| 方法指导 | 指导变量构建、模型设定、回归解释与稳健性检验;使用Stata开展回归 | 把描述性比较推进到控制变量后的统计分析 |
| 成果整合 | 整合团队发现和政策建议,完成面向汇报的研究叙事 | 使技术分析能够被非技术读者理解 |
团队其他成员共同完成跨境交易、金融可达性等模块的分析与报告内容。本页区分个人完成工作、组长指导职责与团队共同发现,报告和代码下载保留为进一步查阅的证据材料。
从实证发现形成政策建议,成果获选央行汇报
项目成果获选赴爱尔兰央行汇报。研究将支付速度、成本和区域服务放入同一政策讨论,提出以下方向:
| 研究发现 | 相应建议 | 需要避免的过度推断 |
|---|---|---|
| 小额支付承担较高相对成本 | 提高费用透明度,评估小额支付边际降费 | 不把模拟样本费率当作现实市场报价 |
| 方向、用途与成本存在差异 | 细化费用披露与定价比较口径 | 不把观察相关性直接称为因果机制 |
| 较大金额单位费率较低 | 讨论批量清算与中小企业支付整合 | 仍需评估操作、流动性与合规成本 |
| 农村及偏远地区渠道使用偏弱 | 保留必要线下渠道,完善区域监测数据 | 使用强度不能完整代表服务质量或需求 |
研究边界,也是后续工作的起点
数据是合成样本,较高的模型解释度可能部分来自数据生成机制。服务渠道使用与即时支付采用之间的联系属于机制讨论,现有区域数字渠道数据不足以直接识别即时支付采用的因果效应。进一步研究需要更完整的区域数字支付数据、实际价格信息及可检验的识别设计。
对我而言,这项研究强化了团队分析的统筹能力:从指标口径出发,明确每个模型能回答什么,再将结论与证据强度匹配。这也对应审计工作中对底层数据、解释逻辑及结论边界的持续复核。
如何将回归发现转化为可信的研究判断?
一、先明确比较基准
支付方式比较以SEPA CT作为参照,区域比较以Urban作为参照。某一组的系数因此表示相对参照组、在指定模型条件下的差异。负值不能脱离因变量的定义解释,更不能直接把对数模型系数读成百分比。
二、分别回答“金额”和“负担”
总费用增加与单位费率下降可以同时出现:大额交易付出的欧元数可能更多,但每欧元交易额承担的费用更少。把两个指标共同展示,才能区分机构收费规模与用户相对负担,进一步讨论小额支付、用途和方向差异。
三、解释差异,也寻找反例
人口标准化模型中网点与ATM存在差异,但高服务人口组出现不同方向的结果。这使政策讨论不能只停留在平均系数上,而应进一步问:在什么服务条件下,网点仍然承担必要功能?是否需要更多区域和业务类型数据解释这种变化?
四、从研究建议到实施,还缺什么证据?
费率优化需要真实收费结构、运营成本和机构反馈;渠道配置需要地理距离、客户群体与服务质量资料;即时支付采用研究则需要地区层面的实际使用数据。小组的模拟研究提供问题识别与分析框架,后续实施仍应依赖这些现实证据。
专业研究的价值不仅在于得到显著结果,也在于明确结论回答了什么、尚未回答什么,以及下一步需要收集哪些证据。
原始成果与分析材料
可继续查阅报告、代码与展示文件,核对研究方法及原始结果。
面向审计工作的能力积累
01 / 数据可靠性
检查缺失与异常、核对关联前后记录、确认指标口径,建立可复核的数据处理流程。
02 / 分析与专业判断
比较假设与情景,检查模型边界和稳健性,将结果与其适用条件一并解释。
03 / 协作与沟通
协调团队研究模块、指导分析方法,将技术结果整理为清晰的报告及政策建议。