PowerBI 零售预测分析模型 历史同比法

经过几个模型的鏖战，这里开始进入用PowerBI思考预测分析的话题。

关于预测

预测，是数据分析的一个高级话题。目前有很多分析的方法，也可能涉及很多复杂的技术。这里首先给出一个思考：

• 对于某领域下对某种未来的预测问题，数据自动化（程序，算法，挖掘）方法是否可以超过人类经验和智力。
• 对于上述假设存在数据自动化的方法，那这种方法的实现如果保证质量。（理论对，程序万一没编对，算谁的）
• 对于上述条件都满足，即同时具备理论合理性和品质可靠性，其 实施成本 又如何。（实施成本有点像唬人的拥有成本，就是你不实施，不产生成本，一旦实施，产生的成本吓到你，如：沟通，理解，培训，政治等）

因此，这个单纯的预测在实际中会变得非常复杂。

这里无法解决这些问题，仅仅从业务本身和PowerBI慢慢给出一些探索，本文为这一系列的开端。

脱离业务谈分析不靠谱

这里限定于与零售有类似规律的业务领域，如按年，季，月，周能呈现一定的周期性，进而使得同比，环比或周权重等方法可以作为参考。

考虑到很多业绩的达成都是由销售推动完成的，这里可以采用 历史年度数据 作为参考，并乘以一个发展因子（或者叫：销售增长率因子），来规定今年（或未来年份）的业绩，是有一定指导意义的。

当然，这里也是一定存在明显的偏差的，这些偏差的优化，在后续的文章中也会不断探讨，这里还是从最简单的案例模型开始。

用历史同期未来的业务逻辑

考虑到类似零售的业态，在 年度 粒度存在销售实际与销售计划（预期）双重主题，其一年内的积累销售完成度呈一定趋势，并可被监测。

这里采用以下三种方法来稍加改造，形成简单的趋势分析：

• 用历史同期数据来表示未来
• 乘以一个增长因子，表示整体趋势的增长（或目标上的要求）
• 用 x 日（如：30日移动平均）来平滑这个趋势

如果，今年已经存在实际发生数据，则以实际发生数据为主，如果尚不存在实际发生数据，则按上述逻辑计算一个预测值，结果如下：

在PowerBI中用DAX实现为：

其中的 销量增长因子 和 趋势平滑因子 可以用PowerBI的What-If参数来设定。

预测与实际的差异

由于这里的预测属于相当简单粗暴的，所以可以从绝对差异和差异率来同时显示，以辅助运营来了解这些信息。

值得一提的是，这里可以使用PowerBI技巧，使大于0的显示为绿色，而小于0的显示为红色，效果更好。

积累预测的效果

当然可以将预测累计起来反映累计的效果，如下：

这里的显示也需要注意DAX的技巧：

这种方式保证，没有实际销售的日期不显示实际；而已经有实际销售额日期不显示预测，这两个表达式共同使用来反映整体的效果。

总结

整体看看动效如下：

这样，一个简单的用历史同期数据推演当期或未来的方法就实现了。这里确实存在很多的不精确性，但这依然反映了宏观的信息，可以在趋势监测的层面来使用。