Вот несколько методов, обычно используемых в бизнес-аналитике и финансах, а также примеры кода:

1. Описательная статистика.
   Описательная статистика представляет собой сводку данных и включает такие показатели, как среднее значение, медиану и стандартное отклонение. В Python вы можете использовать библиотеку pandas для расчета описательной статистики:

import pandas as pd
# Create a DataFrame
data = {'Value': [10, 15, 12, 18, 20]}
df = pd.DataFrame(data)
# Calculate descriptive statistics
mean = df['Value'].mean()
median = df['Value'].median()
std_dev = df['Value'].std()
print('Mean:', mean)
print('Median:', median)
print('Standard Deviation:', std_dev)

2. Регрессионный анализ.
   Регрессионный анализ используется для моделирования взаимосвязей между переменными и составления прогнозов. Библиотека scikit-learn в Python предоставляет различные модели регрессии. Вот пример использования линейной регрессии:

from sklearn.linear_model import LinearRegression
# Create data
X = [[1], [2], [3], [4], [5]]
y = [2, 4, 6, 8, 10]
# Create a linear regression model
model = LinearRegression()
# Fit the model to the data
model.fit(X, y)
# Predict a new value
new_X = [[6]]
predicted_y = model.predict(new_X)
print('Predicted:', predicted_y)

3. Анализ временных рядов.
   Анализ временных рядов используется для анализа и прогнозирования данных, собранных с течением времени. Библиотека statsmodels в Python предоставляет инструменты анализа временных рядов. Вот пример использования модели авторегрессионного интегрированного скользящего среднего (ARIMA):

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
# Create a time series DataFrame
data = {'Date': pd.date_range('2020-01-01', periods=10, freq='M'),
        'Value': [10, 12, 15, 13, 16, 18, 20, 19, 22, 25]}
df = pd.DataFrame(data)
# Set 'Date' as the index
df.set_index('Date', inplace=True)
# Create an ARIMA model
model = ARIMA(df, order=(1, 1, 1))
# Fit the model to the data
model_fit = model.fit()
# Forecast future values
forecast = model_fit.forecast(steps=3)
print('Forecasted values:', forecast)

4. Моделирование Монте-Карло.
   Моделирование Монте-Карло – это метод, используемый для моделирования вероятности различных результатов. Вот пример использования Python для моделирования будущей стоимости инвестиций:

import numpy as np
# Define parameters
initial_investment = 10000
expected_return = 0.06
volatility = 0.2
num_simulations = 1000
num_years = 5
# Simulate investment outcomes
investment_values = []
for _ in range(num_simulations):
    investment = [initial_investment]
    for _ in range(num_years):
        investment.append(investment[-1] * (1 + np.random.normal(expected_return, volatility)))
    investment_values.append(investment)
# Calculate statistics
average_final_value = np.mean([inv[-1] for inv in investment_values])
std_dev_final_value = np.std([inv[-1] for inv in investment_values])
print('Average final value:', average_final_value)
print('Standard deviation of final value:', std_dev_final_value)