【沃頓商學院】商業分析 全套課程（客戶、運營、人力資源、會計） P13 - 13.[P013]04_regression-analysis-part-2-m

那麼，我們在這裡看到的是什麼？ 在橫軸上，我們有價格。 在縱軸上，我們有以單位表示的需求量。 除了你之前看到的那些點之外， 我們也看到一條直線。 那就是你的回歸線。 這基本上就是捕捉價格對需求的影響。 特別是，如果你留意的話， 價格係數為負 0.9。 這告訴了你什麼？ 當價格上漲1美元時， 銷售額預計將下降0.9個單位。 這一點是負面的，這非常合理。 為什麼？ 隨著價格上漲，銷售量預期將下降。 這裡我們還看到什麼？ 回歸線也在預測著什麼 基本上，如果你的價格是零，接近免費。 大約會售出10個單位。 所以我們得到的就是回歸線的結果。 我們還看到什麼？ 我們還看到所謂的決定係數（R平方）。 這是一個介於 0 到 1 之間的數字。 它基本上反映了你的回歸分析的好壞。 該數字越接近 1， 迴歸分析做得很好 捕捉需求如何隨價格變動的狀況。 該數字越接近 0， 不幸的是，這個迴歸分析並沒有做得很好。 我們在這裡看到什麼？ R平方值相當高。 大約是 89%。 這是一個非常高的R平方值。 典型的R平方值為70%至80%。 這相當高。 從這裡我們能做的，是 既然我們已經相信了 回歸分析做得很好 了解需求如何隨著價格而變動 我們可以開始使用這個回歸模型進行預測。 這正是我們所追求的。 我們所追求的是， 我們如何在不同價格下進行需求預測？ 這就是我們接下來要做的事。 因此，為達成此目標，我們可以採取多個步驟。 我們首先來觀察迴歸線， 這正是我們先前所展示的。 並開始插入不同的價格。 我們可以先拿價格來看 已經在我們資料集中的 並比較我們預測的回歸線， 或從回歸分析中進行預測， 與實際數據進行比較。 那正是首先顯示的內容。 我們在這裡看到的是實際數據 以及預測的回歸線 它們非常接近。 這並不令人驚訝。 回歸的R平方值，請記住， 這項衡量該迴歸效果的指標相當高。 我們還可以再進一步， 這就是回歸的力量。 我們也可以開始著手分析需求預測 在資料庫中並不存在的價格 這就是我接下來要做的事。 請看右上角的價格。 當你看到那些價格時， 這些是資料集中不存在的價格。 這些是未來的價格。 這時，經理便可以開始思考 如何使用迴歸分析進行需求預測 對於他尚未測試過的價格。 我們在此看到的是，迴歸分析 也可以針對這些價格預測需求。 這就是回歸的美妙之處。 看著一些資料， 你可以開始理解了 價格與需求之間的數量關係如何？ 觀察迴歸的擬合情況。 那是透過決定係數。 一旦你信服了 顯示迴歸分析做得很好。 你可以開始使用那個回歸分析 進行需求預測。 一旦你能做出需求預測， 最優價格僅一步之遙， 直覺如下。 如果你能在不同價格下做出預測， 我們可以開始查看收入情況 並在這些不同價格下獲利。 一旦你能做到這一點， 你便可以開始理解了 應該收取什麼價格 為了獲得最大收益或最大利潤 如果你了解你的底層成本。 回歸的美妙之處在於，我們從整體資料出發。 我們開始對變數之間的關係進行量化。 -even if we have that, 我們開始研究如何進行需求預測。 接下來，你可以開始思考最優價格 以及不同的價格來進行計算 你的需求將會是什麼。 我們剛才向您展示的只是一個簡單的例子 使用一個因變數和一個自變數。 當然，迴歸分析是可以擴展的。 涵蓋多個獨立變數。 其基本概念如下。 再次，位於左側 我們有 y，這是你的因變量。 在右側，我們有 x 值， 你的自變數是什麼？ 在本頁底部，您可以看到一個範例。 可以推測，銷售量是價格的函數。 但價格未必能決定一切。 這可能是廣告，也可能是促銷活動。 迴歸分析可以處理任意數量的自變數 隨你高興。 那個想法完全一樣。 你試圖做的是觀察一個組合 右側的變數 價格、廣告、促銷 並觀察每一項的相對影響力 了解他們對總銷售額的貢獻程度。 現在，正如我所提到的，回歸分析， 這只是需求預測的一個例子。 這是一個理解需求驅動因素的極佳工具， 進行需求預測，討論最佳定價。 但還有許多其他例子。 因此，回歸是一種方法。 你可以開始考慮像 CART 之類的事情。 你可以開始思考類神經網絡之類的事物， 所有這些預測分析工具 這一點 Pete 會在本課程後續部分進行說明。