Je website krijgt de meeste weken ongeveer 400 bezoekers. Maar vorige week waren het er 600. Volgende week misschien 300. Het patroon is niet willekeurig, het is seizoensgebonden. In de zomer is het rustiger. Aan het eind van de maand is het drukker. Op werkdagen is het drukker dan in het weekend.
Tijdreeksvoorspelling (time series forecasting) gebruikt die patronen om toekomstig verkeer te voorspellen. Dit artikel laat zien hoe je patronen in je data herkent en ze gebruikt om te voorspellen wat er komt.
Tijdreeksvoorspelling is het analyseren van historische data in tijdsvolgorde en het gebruiken van patronen om toekomstige waarden te voorspellen. Je bekijkt je verkeer per week of per maand over een jaar. Je herkent patronen (pieken, dalen, seizoenscycli). Daarna trek je die patronen door naar de toekomst.
Anders dan algemene voorspellende analytics gaat tijdreeksvoorspelling specifiek over reeksen in de tijd. Het erkent dat wat vorige week gebeurde, invloed heeft op wat deze week gebeurt. Het weer kan het verkeer beïnvloeden. Seizoenen beïnvloeden winkelgedrag. Dagen van de week beïnvloeden gedrag.
Welke patronen er in websitedata zitten
De meeste websites hebben terugkerende patronen. Ze leren herkennen is de eerste stap naar voorspellen.
Patronen per dag
Zakelijke sites krijgen op werkdagen meer verkeer dan in het weekend. Webshops en entertainmentsites krijgen juist in het weekend meer. In de ochtend zijn er meer kantoorbezoeken dan in de middag. Dit is van week tot week consistent.
Is je verkeer op maandag 600 en op zaterdag 400, dan herhaalt dat patroon zich waarschijnlijk. Tijdreeksvoorspelling gebruikt die regelmaat.
Patronen per week
Publiceer je inhoud op dinsdag, dan piekt het verkeer op dinsdag. Verstuur je e-mailcampagnes op donderdagochtend, dan piekt het verkeer op donderdag. Die patronen herhalen zich elke week.
Volg een maand aan data en je ziet het ritme van de week. Zie je het eenmaal, dan kun je het voorspellen.
Seizoenspatronen
Januari is rustiger dan december. De zomer is rustiger dan de herfst. In de belastingperiode hebben boekhouders het drukker. Tijdreeksvoorspelling legt deze cycli over meerdere maanden vast.
Je hebt minstens een jaar aan data nodig om seizoenspatronen te herkennen. Zes maanden is het minimum voor weekpatronen.
Trendpatronen
Naast seizoenscycli hebben sommige sites langere trends. Nieuwe sites groeien gestaag (opwaartse trend). Gevestigde sites vlakken af. Sommige dalen. Tijdreeksvoorspelling scheidt de trend op lange termijn van de seizoensruis.
Groeit je trend 10 procent per jaar en laat je seizoenspatroon pieken in het vierde kwartaal zien, dan kun je het vierde kwartaal van volgend jaar voorspellen: het vierde kwartaal van vorig jaar plus 10 procent groei plus de seizoenscorrectie.
De wiskunde achter tijdreeksvoorspelling
Je hoeft de wiskunde niet te kennen om het te gebruiken, maar het idee begrijpen helpt.
Tijdreeksvoorspelling splitst je data in onderdelen:
Trend: richting op lange termijn (groeiend, dalend, vlak)
Seizoen: terugkerende patronen (dagelijks, wekelijks, maandelijks, jaarlijks)
Willekeurige variatie: ruis die geen patroon volgt
Formule: werkelijke waarde = trend + seizoen + willekeurige variatie
Voorspellen gaat over de trend en het seizoen. Het willekeurige deel blijft onvoorspelbaar.
Voorbeeld: Je verkeer was deze week 500.
Trendonderdeel: +50 (groei van 50 per week)
Seizoensonderdeel: +100 (deze week is hoogseizoen)
Willekeurig onderdeel: -50 (gewoon ruis)
Werkelijk: 50 + 100 - 50 = 100. Basis van 400 + 100 = 500.
Volgende week zonder de speciale gebeurtenis (geen willekeurige piek):
Trend: +50
Seizoen: -75 (volgende week is laagseizoen)
Willekeurig: 0
Voorspelling: 400 + 50 - 75 = 375
Dit is vereenvoudigd, maar het idee is dat je voorspelling het signaal (trend plus seizoen) scheidt van de ruis (willekeurig).
Eenvoudige voorspelmethoden voor website-eigenaren
Je hebt geen ingewikkelde algoritmes nodig. Eenvoudige methoden werken goed.
Methode 1: Vergelijking met dezelfde periode
Het verkeer op maandag was het afgelopen jaar gemiddeld 600. Volgende maandag is het waarschijnlijk rond 600.
Dit is de simpelste voorspelling: kijk naar dezelfde dag of week van vorig jaar.
Methode 2: Trend plus seizoen
Het verkeer groeide 10 procent ten opzichte van vorig jaar en decembers liggen 50 procent boven het gemiddelde.
Voorspelling voor december volgend jaar: (vorige december) maal 1,10 (voor 10 procent groei) is je voorspelling.
Methode 3: Voortschrijdend gemiddelde
Neem het gemiddelde van de laatste 4 weken verkeer. Dat is je basis. Tel daar de seizoenscorrectie bij op.
Is de basis 500 en ligt december meestal op 550, dan is je voorspelling voor december 550.
Methode 4: Exponentiële afvlakking
Geef recente data meer gewicht dan oude data. Recente weken tellen zwaarder dan data van een jaar geleden, want dingen veranderen.
Was het gemiddelde van de laatste 4 weken 480 en dat van een jaar geleden 450, vertrouw dan meer op de recente data. Voorspel dichter bij 480 dan bij 450.
Seizoensontleding: de sleuteltechniek
Seizoensontleding scheidt je data in trend, seizoen en willekeurige variatie. Het is de basis van de meeste nauwkeurige voorspellingen.
Stap 1: Verzamel een heel jaar aan data (of meerdere jaren als je nauwkeurig wilt zijn).
Stap 2: Bereken het gemiddelde voor elke periode (elke maandag, elke maand enzovoort). Dat zijn je seizoensindexen.
Stap 3: Bereken de trend door een lijn door de data te trekken. Groeit het? Daalt het? Is het vlak?
Stap 4: Haal de trend en het seizoen eruit om de ruis te zien. Wat overblijft is de willekeurige variatie.
Stap 5: Trek het door naar de toekomst met de trend en het seizoen. Tel de seizoensvariatie weer op bij de trendlijn.
Je kunt dit doen met eenvoudige spreadsheetberekeningen of met voorspeltools die het automatisch doen.
Tools die tijdreeksvoorspelling makkelijk maken
Je hebt geen geavanceerde software nodig. Basistools werken:
Google Sheets: ingebouwde functie FORECAST
Excel: FORECAST of FORECAST.LINEAR
Python-bibliotheken: Prophet (gemaakt door Facebook), ARIMA, LSTM
Analyseplatforms: veel platforms volgen voorspellingen automatisch
Analytics en inzichten van WEMASY zou voorspellen kunnen integreren, en je het verwachte verkeer van volgende maand laten zien op basis van historische patronen.
Beperkingen van tijdreeksvoorspelling
Tijdreeksvoorspelling gaat ervan uit dat het verleden de toekomst voorspelt. Het houdt geen rekening met unieke gebeurtenissen.
Start je een grote campagne, dan klopt de voorspelling niet meer. Verandert Google de zoekresultaten, dan is de voorspelling fout. Verschuift de economie, dan veranderen de patronen.
Tijdreeksvoorspelling werkt als de omstandigheden stabiel blijven. Het faalt als de omstandigheden veranderen.
Zo gebruik je voorspellingen praktisch
Voorspellingen zijn geen garanties. Het zijn richtlijnen voor je planning.
Voorspel je 600 bezoekers volgende week, plan dan voor 600 maar blijf flexibel. Haal je er 450, zoek dan uit wat er veranderde. Haal je er 800, vier het dan, maar begrijp waarom.
Gebruik voorspellingen voor:
Capaciteitsplanning: Heb je meer servers nodig? Meer medewerkers voor klantenservice?
Campagneplanning: Wat is het beste moment om te lanceren?
Omzetvoorspelling: Hoe ziet je omzet er volgend kwartaal uit?
Vergelijking met de basis: Maakte die wijziging verschil, of was het gewoon seizoensgebonden?
Veelgestelde vragen
Hoeveel historische data heb ik nodig om nauwkeurig te voorspellen?
Minstens 6 maanden voor weekpatronen. Minstens 2 jaar voor seizoenspatronen (om meerdere cycli te zien). Meer data betekent nauwkeurigere voorspellingen. Heb je een jaar, dan kun je met vertrouwen voorspellen. Met de Websitebouwer van WEMASY zet je dit direct op je eigen website op.
Wat als mijn data grillig is en geen duidelijk patroon heeft?
Sommige websites hebben onvoorspelbaar verkeer (nieuwe sites, virale inhoud, politiek nieuws enzovoort). Tijdreeksvoorspelling heeft patronen nodig. Is je data ruis, dan helpt voorspellen niet. Richt je dan op de trend.
Kan ik verschillende segmenten van mijn verkeer apart voorspellen?
Ja. Voorspel organisch zoeken, advertenties en e-mail apart. Elk kan andere patronen hebben. Tel ze daarna bij elkaar op voor de totale voorspelling. Dat werkt vaak beter dan het totale verkeer voorspellen.
Moet ik mijn voorspelling handmatig bijstellen?
Weet je dat er iets aankomt (een campagne, een productlancering, een seizoensgebeurtenis), stel de voorspelling dan bij. Het algoritme weet niets van gebeurtenissen, jij wel. Gebruik je kennis om de voorspelling te verfijnen.
Hoe vaak moet ik mijn voorspelling bijwerken?
Minstens elke maand. Voeg nieuwe data toe en bereken de voorspelling opnieuw. Veranderen de patronen (nieuwe campagne, verschuiving op de markt), bereken dan meteen opnieuw. Ga er niet van uit dat de voorspelling van vorige maand nog klopt.
Is tijdreeksvoorspelling hetzelfde als voorspellende analytics?
Vergelijkbaar, maar anders. Voorspellende analytics gebruikt veel variabelen (advertentie-uitgaven, soort inhoud, seizoen enzovoort). Tijdreeksvoorspelling richt zich op één variabele in tijdsvolgorde. Tijdreeksen zijn eenvoudiger, voorspellende analytics is ingewikkelder.