销量预测模型案例实战
文 / Janie Liu
公众号同名《溜溜笔记说》
我是一个专分享干货的号主
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。
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
图1
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
图2
拟合注意事项：
-
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。
-
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。
图3
拟合出的结果如下，多项式公式如图中所示：
图4
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
图5
*案例二：Tableau操作方式来预测
数据源如下
图6
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
图7
➣步骤2：点击列上的“月份”，改成离散
图8
➣步骤3：点击折线图选择“显示趋势线”
图9
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。
图10
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
图11
➣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
图12
“指数”预测R方为
图13
2度“多项式”预测R方为
图14
3度“多项式”预测R方为
图15
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。
图16
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”
图17
结果如下图
图18
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。
图19
案例三：季节性销量预测
数据源如下：
图20
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。
图21
将数据源通过数据透视表处理成下图所示：
图22
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”
图23
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
图24
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。
图25
⑧将16（辅助列）代入公式，可预测2021Q4的销量。
图26
