实战案例｜销量预测模型

前言：

这个预测模型比较简单，其实就是统计学，基本大家上学期间都会学到，不过毕业好多年可能也忘了，不妨来复习复习，而且工作中可以实际应用的地方还挺多的。

1

案例一：Excel操作方式来预测

根据历史月度销量预测2021-09、10、11、12月的销量数据

先看下散点图，大致浏览下是否存在极值（若有，则排除掉）以及两个变量之间是否存在关联趋势

拟合注意事项：

1. 用Excel拟合的时候尽量将各个趋势线均尝试下，选择R²较为接近1的方式。R²越接近1，代表拟合效果越好。

2. 尝试下来，发现多项式拟合效果较好，且“顺序”越往上增加，R²越接近1。但本数据源不多，且多项式拟合多采取二项式或三项式即可满足需求，所以为避免过拟合，取3即可。

拟合出的结果如下，多项式公式如图中所示：

给数据源增加一列辅助列，

将21、22、23、24分别带入y = -0.5908x^3 + 19.576x^2 - 73.697x + 2128.3

则得到2021-09、10、11、12月的预测销量

2

案例二：Tableau操作方式来预测

数据源如下

操作步骤：

➣步骤1：先将月份拉列，销量拉行，制作出折线图。数据源中“月份”是文本格式，需改成日期格式

➣步骤2：点击列上的“月份”，改成离散

➣步骤3：点击折线图选择“显示趋势线”

点击折线图表，选择“编辑所有趋势线”，可以看到该预测模型为“线性”预测。

点击折线图表，选择“描述趋势模型”，可以看到该“线性”预测的R平方值

➣步骤4：按照步骤3的方法，选择“编辑所有趋势线”依次选择“线性”、“指数”、“多项式”2度、“多项式”3度，并查看对应的R平方值，选择其中R平方值最靠近1 的模型来作为最终的预测模型。

可以看到：

“线性”预测R方为

“指数”预测R方为

2度“多项式”预测R方为

3度“多项式”预测R方为

综合对比得出：3度“多项式”预测模型R方更接近1，因此最终采取该预测模型。

➣步骤5：鼠标移动到趋势线上，可以看到拟合公式如下，如案例一中给数据源添加一列辅助列，并将需要预测的月份的辅助列的数字代入公式中，即可得到预测销量。

另外说明：Tableau自带预测功能，但是在本案例中不采用，原因如下：

将月份上的“精确日期”去掉，格式选择月份，点击折线图选择“显示预测”

结果如下图

再点击图表选择“预测描述”，可以发现该自动预测模型用的是“指数平滑法”，然而在上述步骤的拟合中发现指数相关预测方法的R方并不是最优。

3

案例三：季节性销量预测

数据源如下：

先画出普通折线图，看下是否呈现明显季节性。

下图展示出该销量数据确实呈现季节性，其中第2季度为旺季。则要针对该数据进行去季节化处理。

将数据源通过数据透视表处理成下图所示：

计算每个季度的年度均值，如下图“年平均值”；

计算15个样本的总体平均值，如下图“总平均值”；

用“年平均值”/“总平均值”计算出“季节性指数”

来看一张总结之后的表格

①将计算出的“季节指数”重复添加进下图中的“季节指数”列

②去季节化=销量/季节指数

③根据“辅助列”和“去季节化”后的销量拟合出线性预测公式

y=-2.4907x+2532

之所以拟合线性公式是因为在第②步中已经将季节性因素排除掉了

④将辅助列代入公式，计算出“线性预测”列

⑤将“线性预测”列乘以“季节指数”计算出“季节性调整”列，此列即为最终的预测销量

⑥将“线性预测”列减去“销量”列计算误差，再除以“销量”列计算误差率。

⑦用STDEV（）函数选中销量一列，计算出总体标准偏差；

    显著性水平参数写为0.05，即置信度是95%；

    样本量写15；

    用CONFIDENCE（）函数计算出置信区间的可浮动值，结果如下截图。

    即，有95%的可能性预测值比处于真实值的上下195.92范围内。

    可以看到误差都在正常的置信区间内。

⑧将16（辅助列）代入公式，可预测2021Q4的销量。

   

对比Excel系列新书上市一周销量持续新书榜前列，感兴趣的同学可以直接搜索书名了解：