如今的二手车经销商在定价上面临两大挑战：一方面，汽车行业提供的车型多种多样，配置选择也多种多样，并不是每一个设备细节都能增加二手车的销售价值；另一方面，通过相关的互联网门户网站，定价变得更加透明。因此，二手车经销商必须迅速找到一个合理的价格，该项目是很难比较，由于其配置品种。因此，许多交易者对诸如年龄、前车主人数、事故货车等众所周知的指标避而远之。

但是，现代的统计方法，基于对过去价格的学习，并用它来估计将要达到的价格，是否能够通过评估比传统方法更多的属性来帮助定价？这在理想情况下不需要罕见的高薪专家，即所谓的数据科学家，他们将面临这样一个标准统计问题的挑战。

借助Smart Predict，SAP Analytics Cloud提供了一个统计组件，允许业务用户自己解决标准统计问题，从而解放了数据科学家为他提供更多的时间来完成繁重的工作。

本指南将指导我们在SAP Analytics Cloud中完成二手车经销商或网上商店的价格预测分析。

首先，让我们看看我们的汽车经销商的数据。在本教程中，我模拟了数据，因此它可能不适用于真实的汽车。它描述了每辆车的详细配置及其实现的价格，根据这些数据我们希望预测每辆车的售价。要查找历史数据中的模式并训练此模型，请使用以下数据集：

登录到SAP analytics云实例。

开始之前，请查看您的配置文件设置，并确保数字格式设置为"1234.56"。

登录后，需要上载数据集。为此，大数据的前景，我们点击左上角的菜单，免费云服务器永久使用，选择"创建"并点击"数据集"。

在弹出窗口中，美国云服务器，我们选择"从文件上传的数据"。

我们选择源文件"二手车"_定价.csv，单击"导入"，然后单击"确定"。

现在我们已经上传了数据集，我们可以开始构建我们的预测场景。我们在菜单上选择"创建"和"预测场景"。

预测场景是一组具有共同特征的用例。SAP分析云的智能预测目前提供3种预测场景：

分类场景预测（目标）变量的值，该变量只能有两个值，如yes和no或0和1。分类场景的示例包括客户流失与目标变量预测客户是否会离开目标变量预测顾客是否会购买提供给他的产品的购买倾向目标变量表示交易或索赔是否欺诈的欺诈行为回归场景根据描述目标变量的变量来预测目标变量的数值。回归场景的例子是午餐时间逛商店的顾客人数下一季度客户的收入旧车的售价时间序列情景预测一个变量随时间变化的值，并考虑进一步的描述性变量。时间序列场景的例子是未来几个季度产品线的收入一个城市未来几天租用的自行车数量未来几个月的差旅费

用户现在必须遵循3个简单的步骤：

在学习阶段包含价格信息并在应用阶段预测的变量称为目标变量。

下面的屏幕截图显示了分类、回归和时间序列三个选项。在每个选项下都有一个描述，以便于用户为每个用例选择正确的场景。在本练习中，我们希望创建一个模型来预测每辆车的价格。根据预测场景类型的描述，我们可以看到回归将能够满足我们的需求。因此，我们选择"回归"。

在弹出窗口中，我们给场景一个名称，例如"二手车定价"并保存在我们的文件夹中。

现在我们可以创建预测模型。

我们需要为模型选择一个输入数据集。输入数据集包含我们用来训练预测模型的历史数据。

我们选择我们之前创建的二手车定价数据集。

选择输入数据后，让我们看看变量的详细信息。我们单击选择输入数据的字段正下方的"编辑列详细信息"，并检查变量的所有数据类型是否正确识别。

请检查变量的所有存储和数据类型是否正确识别，并确保目标变量的类型如屏幕截图所示连续下面

在正确定义所有变量元数据后，我们需要选择变量角色：

目标变量是我们在学习阶段后尝试预测的变量。在我们的例子中，我们选择目标变量作为"价格"。

对目标没有影响的变量可以从建模过程中排除。排除变量可以加快执行过程，但保持它们不会干扰建模过程。在我们的示例中，Offer ID（因为它是为每辆车随机选择的）对目标没有影响，并且被排除在外，如下一个屏幕所示。

但是，我们必须排除与目标变量直接相关的变量，例如目标变量的变换以及间接包含与目标变量相同信息的变量。例如，如果一个数据集包含有税和无税的汽车价格，我们需要选择一个作为目标并排除另一个。

现在我们的设置如下：

然后我们单击右下角的"训练"。

让我们用默认设置运行预测模型。