每月的全国煤炭销量都会在下月的中旬左右才能获知，往往无法响应商业分析决策的及时性。为此，对煤炭销量进行预测成为必然，预测方法百家争鸣，但都无不陷入迟疑与纠错的漩涡，原因为何？归根结底是摆脱不了经验与感觉的袭扰；追问我们最原始的渴望，无非是需要一个客观的非人为的可持续依靠的决策依据，那么这个依据能否站得住脚，取决于它的（客观因素-主观因素）+科学性，正是在这种背景下，大数据便进入了煤炭行业。

以2015年11月份煤炭销量的预测为例

11月份预测的全国煤炭销量出现了较大幅度的下滑

这个我们是怎么判断的，一个重要因素就是煤炭的铁路装车。

数据流依附于业务流，所以，作预测必须前移业务环节，提取其已知的数据流；那么，我们发现铁路煤炭装车是个重要环节点，而且这个全国主要站点装车的数据在煤炭大数据平台上每天都在实时发布，比如下图的全国月装车量趋势图：

我们发现它11月份有了较大幅度的下滑，这就是导致11月份煤炭销量下滑的重要原因之一。然而全国铁路煤炭装车站点有大大小小7000余个，我们想让一切看起来更简单，那么我们就需要继续细化，最终精准锁定了以下三个主要站点：

以上是大同东、潘集西、防城港三个主要站点的月装车量，在11月份均出现了较大幅度的下滑，也是导致全国铁路装车总量下滑的大头，所以我们只需要把握这三点，基本上就可以明晰全国装车形势，继而能够展望全国煤炭销量的情况。

其实，从这三个站点我们可以继续发散，可以意外发现一些极有价值的前瞻性情报：比如：大同东——山西煤企的扎堆地，在中国煤炭企业中有很重的分量，那么我们以此就可以知道11月份全国煤炭企业整体的日子依然不好过；潘集西——连接着长三角，以此我们可以洞察到11月份长三角地区的工业尤其是重工业依旧有下滑趋势；防城港——煤炭进口的重要承接点（如越南），那么我们以此也可以预计到11月份煤炭的进口量将继续萎缩；

总结我们的思路就是：煤炭销量——铁路装车——主要站点——站点周围宏观微观洞察，以已知、能知去判断未知、不可知的数据动向，这一切可以归结到煤炭大数据的核心竞争点：“大量维度的数据+独特的分析思路。”