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 ...

Excel数据分析案例二——预测销售额