下面再简单介绍一下需要考虑的整体因素。如果真正做到分车型的预测，3到5年也是可以，但是从宏观上好一些，但是分车型的话我们更注重短期的预测，12个月或一年之内滚动的预测。像通常要考虑的季节性的因素，这肯定都是考虑的因素之一，就不用讲得太多了。

作为宏观的因素还有一个非常重要的，就是政策方面的因素。政策方面的因素，我们会结合近期推出的一些相关政策，对于政策的效果做一个整体的评估。对于哪些车型是增是减，比如说前一阶段的国6，前一阶段大家都在消化国5的库存，实际上也是一种透支的行为，这都是相应的政策因素导致的。政策的变化应该说还是比较多的，我们也会根据每个政策做相应的政策评估，形成整体的政策因素的影响。

自身的因素，这一部分是别的预测方法很少考虑的，包括产品周期的情况、改型的情况，以及产品性能指标的对比。这一部分包括产品力和营销力，我们都会形成相应的评价指数，纳入到整体的模型当中。这一部分的内容是我们评价的方法所需要考虑的内容。

第二块，要提到竞争性，特别要考虑竞品圈的构成，各自车型之间的竞争关系如何。你自身的品种和你的竞品之间，从产品力上，从营销方案上，这部分的整体评价，我们也会形成相应的竞争性的指数，纳入模型当中。这是我们的这种方法比较突出的一个特点。

最后一块，除此之外我们还考虑消费者的行为因素。通过相应的大数据，对于你的车型和其他相关车型的对比指数、市场口碑的状况进行评估，这些都是直接影响消费者是买你的车还是买别人的车。这也要考虑到竞争性的关系，这一部分也是需要我们广泛采集的。这样做下来，需要采集的数量，包括需要处理的数据量非常庞大。

梳理之后，我们提炼出来经济与政策变量，供给变量与需求变量，形成七个方面的指数，对于最后预测的结果会产生比较重大的作用。像经济与政策变量，一个是宏观经济的指数，一个是政策影响的指数。供给变量要考虑到竞品的指数、终端价格指数等。我们把这些纳入到七大指数里面，当然这个指数下一级还会分二级、三级等对应指标，这样就形成整个的预测模型。

如果按照这个思路做下来，需要处理的数据量会大很多特别要结合营销策略方案和产品力的特征指数，都在里面。我们的预测模型引进了长短值的记忆深度学习模型，来做一些比较复杂的序列处理的预测。它最主要的特点，因为这样的模型是一个神经网络的模型，比较适合于规模比较大、数据复杂的处理，通过积淀有一个不断优化的过程。