Excel数据分析案例二——预测销售额
Excel数据分析案例二——预测销售额
- ①算术平均法
- ②加权平均法
- ③移动平均法
- ④加权移动平均法
- ⑤回归预测法
- ⑥业务分析法
- 总结
题目:现有某商场2020年1-9月实际销售额数据,需要预测10月销售额数据,以便制定10月目标,数据如下
①算术平均法
计算1~9月的算术平均数即可
=AVERAGE(B4:J4)
②加权平均法
距离10月越近的数字是越有价值的,所以要对每个月的销售额进行加权平均计算,先在单元格中加入权重值,再用函数进行计算
=SUM(B6:J6)/SUM(B5:J5)
或者直接使用SUMPRODUCT:
=SUMPRODUCT(B4:J4,B5:J5)/SUM(B5:J5)
③移动平均法
根据最近一组销售数据来推断未来销售数据,一般一组是两个数据以上
举例:7~9月的销售额相加后再除以4,得到平均数据即可预测10月数据
=SUM(G4:J4)/COUNT(G4:J4)
④加权移动平均法
加权平均法与移动平均法相结合,如三个月移动平均,分别给这三个月按照离10月的距离进行赋权,确认好加几个以后在单元格内输入权重值,然后使用SUMPRODUCT
=SUMPRODUCT(H4:J4,B5:D5)/SUM(B5:D5)
⑤回归预测法
使用一元线性回归方程进行预测
y=ax+b
选择1~9月的数据 - 插入 - 折线图,点击右上角加号显示趋势线,选择线性,然后选择显示公式和R平方值,可以得到线性回归方程为
y=-121.58x+8418.6
R²=0.2053
然后将x=10带入,就可以得到结果7203
1、R²也叫决定系数,公式:
离差平方和:代表因变量的波动,即因变量实际值与其平均值之间的差值平方和。(实际值与其平均值之间的差值平方和)
误差平方和:代表因变量实际值与模型拟合值之间的误差大小。(实际值与模型预测值之间的误差平方和)故R方可以解释因变量波动中,被模型拟合的百分比,即R方可以衡量模型拟合数据的好坏程度;R方的取值范围<=1,R方越大,模型对数据的拟合程度越好。
0.9~1.0是强相关,0.7 ~ 0.9是相关性有点强,0.5 ~0.7是相关性有点弱,未满0.5是相关性非常弱
Excel中的计算方法如下
- 平均值使用average函数计算
- 实际值-平均值直接使用减法拖拽
- (实际值-平均值)的平方使用power函数,power值为2,求和后即为离差平方和
- 模型拟合值:把X值带入线性回归方程中即可得到
- 实际值-拟合值,直接进行计算即可
- 实际值 - 拟合值的平方使用power函数进行计算,求和后即为误差平方和
最后所有的数字集合如下,R²通过公式计算即可,为0.2503,此题中的R²值代表相关性非常弱
⑥业务分析法
加入2017~2019年1 ~12月的数据如下图
第一步
找历史数据的规律,即每月销售额比重,其中2020年是前三年月销售百分比的加权平均数
①计算得出三年中每个月的销售额占比,表格如下图
②预估2020年每月销售比重
将上个表格中的值粘贴过来,只粘贴值,给2017~2019三年分别赋1、2、3的权重,然后哦计算2020年每个月份占比
如2020年1月占比=(9.6%*1+10%*2+10.6%*3)/(1+2+3)=10.1%)
最终得到表格如下图
第二步
预测全年销售额。根据2020年销售规律看,1-9月应该占全年销售71.3%,而实际2020年前9个月总共销售70296万元
全年销售额=70296/71.3%=98568.9
第三步
第三步:计算10月销售额,已知2020年10月的预测销售占全年销售的9.2%
10月销售额=98568.9*9.2%=9199.77万元
一般来讲,利用上面三个步骤做零售预测基本就可以了。在实际业务过程中,影响每月销售比重的因素还有:
如:在1月、2月间飘忽不定的春节因素。
这些差异性在上面计算规律的方法中没有被体现出来。
解决方案:将1月和2月合并起来计算销售比重,目的是为了剔除春节因素的影响。
总结
6种方法得到的结果如下
(1)算术平均法:7811万元
(2)加权平均法:7649万元
(3)移动平均法:三个月(即7-9月,n=3)移动平均值为7497万元,四个月(即6-9月,n=4)移动平均值为7357万元
(4)加权移动平均法:7618万元
(5)回归预测法:7203万元
(6)业务分析法:9083万元
算完这些数据后,查看前两年10月的销售数据,发现都大于当年9月的销售额,而根据数据模型算出来的预测值都小于9月份数据8157万元,这个怎么回事呢?
前5种预测方法的预测结果,不能说它们是错的,只是适用于销售量稳定,没有季节性波动的产品的预测;而传统零售行业恰恰是季节性很强的行业,要采用业务分析方法
Excel数据分析案例二——预测销售额相关推荐
- Excel数据分析案例三——预测销量
Excel数据分析案例三--预测销量 题目:有某服装实体店5.1~5.24每天的销售数据表,要求根据现有的销量数据预测接下来一星期,也就是5.25 ~ 5.30的销量,图表大致信息如下 此时需要用到E ...
- Excel数据分析案例四——留存预测
Excel数据分析案例四--留存预测 题目:一个社交APP,它的新增用户次日留存率.七日留存率.30日留存率分别是52%.25%.14%,请模拟出如果每天新增6万用户量,那么第三十天,它的日活跃用户回 ...
- Python数据分析案例08——预测泰坦尼克号乘员的生存(机器学习全流程)
上一篇数据分析案例是回归问题,本次案例带来分类问题的 机器学习案例.这个数据集比上个案例更小.更简单,代码也不复杂,新手都可以学一学. 1.背景分析 预测乘客是否存活下来 泰坦尼克号是数据科学机器学习 ...
- excel数据分析案例——电信运营商用户流失分析
原文:https://zhuanlan.zhihu.com/p/55686050 本文为原文基础上的练习作 数据来源:https://www.kaggle.com/blastchar/telco-cu ...
- excel数据分析案例
背景:现用Python爬取了某求职网站上关于数据分析的数据,我希望知道数据分析是个怎样的职位?它的工资和薪酬是多少?它有哪些特点,需要掌握哪些能力?哪些公司会招聘这样一个岗位? 1.数据有无缺失值? ...
- excel数据分析案例——美国全国牛油果销售状况分析
本文是基于文章→https://zhuanlan.zhihu.com/p/45877488 下的练习作. 数据源:https://www.kaggle.com/neuromusic/avocado-p ...
- 数据分析案例:预测乳腺癌是否复发
医院有78条乳腺癌病人的数据,这些病人经过治疗,其中34位5年内病情复发,另外44位5年内未见复发,现需要对19位经过治疗的病人,分析其在5年内是否会复发,并评估模型的准确性及可行性. 数据说明 训练 ...
- 一份电商数据分析案例
作者:Dake 1. 分析背景 这是一份巴西Olist(2016年8月-2018年8月)电商数据平台的数据.这里只筛选了2017-2018年的数据来进行分析. 分析该数据可以看出近两年的销售业绩,店铺 ...
- 泰坦尼克号数据分析案例实战
这是一个很经典的案例,很多博主都写过,对,就是它:泰坦尼克号生存率的分析,它是kaggle上的一道题,通过船上乘客的信息分析和建模,预测哪些乘客得以生还. 我们就非常粗暴地拿这个数据集做一个简单的分析 ...
- Excel数据分析从入门到精通(十二)28个图表之分布分析
Excel数据分析从入门到精通(十二)28个图表之分布分析 1.分布分析-直方图 2.分布分析-气泡矩阵图 3.分布分析-箱线图 4.分布分析-散点图 5.分布分析-旋风图 1.分布分析-直方图 有表 ...
最新文章
- 中缀表达式转化为后缀表达式
- C#窗体中的textBox怎么设置为密码框
- C/C++: libcurl获取网页内容
- WebOS + WebIM
- c++重载++运算符_C ++运算符重载| 查找输出程序| 套装3
- 电商之争:亚马逊与阿里一较高下
- ScrollReveal-元素随页面滚动产生动画的js插件
- Jade报错:Invalid indentation,you can use tabs or spaces but not both问题
- 联想微型计算机扬天M4000e,联想扬天M4000e-00评测:傲腾内存加持下的商务整机
- python复数类型的虚部通过什么表示_Python小白必备知识:Python复数类型(complex)详解...
- 广州市二手房源数据采集和可视化分析(链家二手房)Python
- MMdetection的Proposal原理和代码解析
- Android 10.0 recovery prompt_and_wait 跳过弹窗 自动 WIPE_DATA(出厂设置)
- linssh2 sftp读取远端目录,获取远端文件或者目录信息
- PJzhang:关闭wps小广告和快速关闭445端口
- 神奇的sqrt函数以及高精度记时函数
- 我哭了——学分不保篇——注意——开学才一个月——啊这能学?——完犊子
- pip install 库名 -i https://pypi.tuna.tsinghua.edu.cn/simple
- (矩阵Part2):矩阵进阶
- 【8】疯壳开源蓝牙智能健康手表(心率血压血氧心电监测可定制)_蓝牙
热门文章
- ppt模板免费下载的网站有哪些?这个宝藏网站必须make
- db2 jdbc驱动参数_db2的jdbc驱动安装及例子
- java环境变量配置和android sdk环境变量配置
- 软件测试佣金问题等价类,测试用例设计白皮书--等价类划分方法
- 三菱Q系列PLC QJ71C24-R2模块的串口232通信
- 基于javaweb宠物领养平台管理系统设计和实现
- MPLAB ICD3
- 微信小程序 — 生成二维码功能
- 微信免费检测僵尸粉方法,微信免费检测僵尸粉工具
- 我们开发中常用的常用浏览器常用插件,比如FeHelper,React Developer Tools, Vue Devtools,沙拉查词,Infinity,OneTab,AdGuard等