预测销售的独特（？）想法

我正在开发模型来预测产品的总销售额。我大约有一年半的预订数据，因此我可以进行标准的时间序列分析。但是，对于每个已关闭或丢失的“机会”（潜在销售），我也有很多数据。“机会”沿着管道的各个阶段进行，直到关闭或丢失为止。他们还具有有关潜在买家，销售人员，互动历史记录，行业，预计预订量等的关联数据。

我的目标是最终预测总预订量，但我想考虑所有有关当前“机会”的信息，这是预订的真正“根本原因”。

我的一个想法是依次使用两个不同的模型，如下所示：

1. 使用历史“机会”构建一个模型，该模型可预测单个“机会”引起的预订量（此步骤中，我可能会使用随机森林或什至是简单的线性回归）。

2. 使用1中的模型来预测当前正在准备中的所有“机会”的估计预订量，然后基于每个“机会”被创建的月份对这些估计值求和。

3. 使用时间序列模型（可能是ARIMA？），使用1.5年的每月历史时间序列数据和该月创建的所有“商机”的预测总预订量（使用1中的模型）。

可以肯定的是，这些机会转化为实际的预订会有滞后，但是时间序列模型应该能够应对滞后。

听起来如何？我已经阅读了很多有关时间序列和预测销售的信息，从我的判断中可以看出，这是一种独特的方法。因此，我非常感谢您的任何反馈！

您可能最终得到的模型似乎可以满足当前数据的要求，但是一旦您尝试生成样本外的预测，该模型就不会被保留。考虑制作6个月的预测。您无法知道六个月后的机会，因此您将不得不创建另一组模型来预测机会模型的每个输入。而且，一旦执行此操作，您将有很多模型输入到您的主模型中，但是每个小模型都将具有自己的预测误差，这些误差会很复杂，但是您的主模型不会了解这些信息，结果，所有的预测间隔都会大大缩小。