崔艺凡 / Yifan Cui
Selected work · Finance & Analytics

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。

01销售预测与预算情景分析个人项目 / Python · Power BI↗02爱尔兰央行学生数据挑战六人团队组长 / Excel · Python · Stata↗
01
Financial planning & Risk analysis

销售预测与预算情景分析

AdventureWorks · 个人项目 · 2026.05—2026.07

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。

121,253交易记录整合与核验
10,000蒙特卡洛模拟次数
1,000 × 365日度重采样情景

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。

交易明细和维度表经质量核验后,分别进入增长率模拟和日销售重采样流程
图1 数据处理与两条建模路径。示意图依据项目Notebook与报告方法整理。

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。

销售事实表与日期产品区域渠道四类维度的关联图
图8 数据关联结构示意。展示核心分析表的关联对象,不是完整数据库字段清单。 点击图片可放大查看 ↗

用两种模型回答两个不同的问题

MODEL A

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。

MODEL B

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。

从历史日销售样本池到多个365天情景的重采样示意
图9 Bootstrap抽样机制。示意图用于解释操作逻辑,不代表真实模拟路径。 点击图片可放大查看 ↗

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

3040506070Daily BootstrapMonte Carlo34.6—39.6 · 均值 37.155.1—67.6 · 均值 61.4
结果指标Monte CarloDaily 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 CV6.17%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。

品类模拟年度销售变异系数:Components7.19%,Accessories7.13%,Clothing6.72%,Bikes4.14%
图2 品类年度模拟销售的CV。数值来自原报告第7节;CV=标准差/均值,衡量相对波动,不代表损失概率。
经销渠道CV5.62%,互联网渠道CV3.34%
图3 渠道年度模拟销售的CV。各细分情景独立抽样,与总体模拟存在抽样差异。

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。

产品和渠道收入占比堆积条形图
图10 原报告第7节的收入构成。品类占比因四舍五入合计为100.01%,图形按该合计值规范化显示;标签保留原值。 点击图片可放大查看 ↗

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。

基础预算按月监测并有条件评估上行情景的决策路径
图11 从预测到预算的决策路径。阈值和处理安排为本项目提出的管理建议。 点击图片可放大查看 ↗

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。

原报告蒙特卡洛年度销售模拟结果直方图
原报告图1:10,000次蒙特卡洛年度销售模拟。横轴为模拟收入,纵轴为模拟次数;分布受增长率正态假设影响。 点击图片可放大查看 ↗

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。

原报告Bootstrap年度销售模拟结果直方图
原报告图3:1,000次日度Bootstrap的年度销售分布。横轴是累计全年销售,不能与单日销售区间混读。 点击图片可放大查看 ↗

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。

原报告365天销售预测均值和P5P95日度区间
原报告图2:365天日度预测统计。图片保留原报告配色;日度P5—P95范围不等同于年度总销售区间。 点击图片可放大查看 ↗

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。

02
Central Bank of Ireland · Student Data Challenge

跨境支付效率与金融包容性

爱尔兰央行学生数据挑战 · 六人团队组长 · 2026.02—2026.05
项目成果获选赴爱尔兰央行汇报 ↗

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。

6 人研究团队 · 担任组长
749,706团队分析的模拟SEPA交易
3 个维度支付结构 · 效率 · 可达性

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。

支付结构、跨境效率和金融可达性三模块构成统一研究框架
图4 小组研究框架。结构分析解释工具和渠道分工,效率分析比较交易时间与成本,可达性分析考察区域使用差异。
  • 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SEPA749,706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。

SEPA CT75.07%,Instant13.01%,DD11.92%的样本构成
图12 D08支付方式构成。来源:团队报告Table 2.2;挑战提供的模拟数据,百分比为四舍五入值。 点击图片可放大查看 ↗

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。

指标构建基准回归稳健性异质性到政策解释的分析路径
图13 团队实证分析的工作路径。为方法图解,不是Stata软件截图或新增回归输出。 点击图片可放大查看 ↗

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。

CT平均处理时间23.9998小时,DD31.2514小时,即时支付0.0207小时
图5 各支付方式平均处理时间。线性坐标下即时支付横条很短,精确值以标签为准。来源:团队报告Table 2.2,模拟数据。
CT平均总费用0.2158欧元,DD0.2152欧元,即时支付0.5157欧元
图6 各支付方式平均总费用。与图5使用不同计量单位,应分别阅读,不比较横条的跨图长度。

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。

相对城市,郊区系数负0.429,农村负1.281,偏远地区负2.184
图7 区域系数,城市为参照。因变量为ln(1+每千人交易量),控制渠道、状态和县域因素。图示为回归系数,不是百分比或因果影响;原文未在此图提供置信区间。

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。

Transferable capabilities

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。