论文部分内容阅读
想给老板一份超分量的财务报告么？想为自己的淘宝生意指划未来么？
预测是决策的前提，只有经过科学预测，才能实现科学决策。
如果你手中有大量的统计数据，希望能从这些堆砌的数据中找到影响销售额的因素，并预测未来几个月的销售趋势，使用Excel 2007，如何才能做到呢？
数据预测要解决的困惑：
如何通过大量的统计数据，预测出未来两个月的销售总额？
影响销售额的因素有很多，例如经销商分布是否合理？
产品价格是否合理？
包装是否精致？在这些因素中哪个才是关键因素？
如何通过影响销售额的诸多因素，准确预测出未来两个月的销售额？
通过统计数据挖掘潜在趋势
现有17个月的统计数据，根据这些数据，预测未来两个月的销售总额，可按照如下步骤操作。
第一步：生成柱形图
选中“销售总额”统计数据所在的F3:F20单元格区域，在“插入”选项卡的“图表”选项组中，打开“柱形图”下拉列表，选择“二维柱形图”区域中的“簇状柱形图”（见图1）。
(1)
(2)
(3)
第二步：设置趋势线
选中图表，在“布局”选项卡的“分析”选项组中，打开“趋势线”下拉列表，执行“其他趋势线选项”命令，打开“设置趋势线格式”对话框。此时Excel会在图表中插入一条默认的趋势线，即线性趋势线。
第三步：设置预测参数
由于需要预测未来两个月的销售情况，因此在“趋势预测”选项区域中的“前推”文本框中输入“2”，并选中“显示公式”和“显示R平方值”复选框。这时，在“趋势预测/回归分析类型”选项区域中进行选择，可以在图表中看到应用每种趋势线后的效果，以及对应的“R平方值”，如图2所示。趋势线的R平方值越接近1，其可靠性越高，因此需要选择一个R2较大的趋势线，本例中选择“多项式”，并将“顺序”设置为“3”。
第四步：优化图表
对图表进行适当的格式化操作，设置完成的图表如图3所示。当需要预测后面的11月、12月的销售总额时，只需根据图表中趋势线的公式“y=2.5943x3-61.229x2+768.77x+2813.7”，将x值分别以“18”和“19”计算即可。
p将垂直轴的“最小值”设置为“0”
找出影响销售总额的关键因素
影响销售额的因素可能有很多，例如经销商分布得是否合理？产品价格是否合理？包装是否精致？在这些因素中，哪个才是影响销量的关键因素呢？这时可按照如下步骤，快速找出影响销售额的因素。
第一步：添加“数据分析”功能按钮
单击Office按钮，在随即打开的下拉菜单中单击“Excel选项”按钮，打开“Excel选项”对话框。单击左侧选项栏中的“加载项”按钮，在对话框最下面的“管理”下拉列表框中选择“Excel加载项”，然后单击“转到”按钮，打开“加载宏”对话框。选中列表框中的“分析工具库”复选框，并单击确定按钮。操作完成后即可在“数据”选项卡的“分析”选项组，看到“数据分析”按钮。
第二步：打开数据分析对话框
单击“数据分析”按钮，打开“数据分析”对话框（见图4）。
p打开“数据分析”对话框
第三步：设置相关系数
选中列表框中的“相关系数”，单击确定按钮，打开“相关系数”对话框。在“输入区域”文本框中输入或选取出厂价格、经销商数、包装费用和销售总额所在的单元格区域“C3:F20”，选中“分组方式”中的“逐列”单选按钮，选中“标志位于第一列”复选框。在“输出选项”选项区域中，选中“输出区域”单选按钮，并输入或选取用来存放统计结果的位置“H5”，如图5所示。
p设置“相关系数”对话框
第四步：结果分析
单击确定按钮，得到的相关系数矩阵如图6所示。相关系数的取值范围为-1～1，其绝对值越大，相关性也就越大。相关系数为“正”，说明二者正相关；相关系数为“负”，说明二者反相关。
p相关系数矩阵
(4)
(5)
(6)
由图6的相关系数矩阵，可以得出如下结论：
· “销售总额”与“出厂价格”的相关系数为“-0.95113”。由于其绝对值接近于“1”，说明二者有很强的关系。因为相关系数的值为“负”，所以二者为负相关，即“出厂价格”越高，“销售总额”越低。
· “销售总额”与“经销商数”的相关系数为“0.971123”。可以看出，二者的相关性也很强，由于相关系数为“正”，因此可以说明“经销商数”越多，“销售总额”越高。
· “销售总额”与“包装费用”的相关系数为“0.679711”。对比前面两个相关系数可以看出，“销售总额”与“包装费用”虽然有一定的正相关性，但是其相关性远远不如“出厂价格”和“经销商数”高。
通过上述分析可以看出，利用“相关系数”可以迅速从大量数据中找到它们之间的关系，为制订新一年的销售计划提供重要依据。
通过影响销售额的关键因素准确预测未来销售总额
通过上面的分析，我们可以了解到，“出厂价格”和“经销商数”是影响销售额的关键因素，在产品包装上的花费虽然也会影响销售额，但不是关键因素。但是他们之间到底有怎样的联系？如何通过出厂价格、经销商数和包装费用，精确地预计以后11月和12月的销售额呢？
在考虑出厂价格、经销商数和包装费用影响因素的前提下预测今后两个月的销售额，无疑比单纯根据近17个月以来的销售总额进行预测更有说服力，这时，可以按照如下步骤找到用来预测未来两个月销售额的公式。
第一步：打开回归对话框
在“数据”选项卡的“分析”选项组中，单击“数据分析”按钮，打开“数据分析”对话框。选中“分析工具”列表框中的“回归”，单击确定按钮，打开“回归”对话框。
(7)
(9)
按照方程“销售总额＝12201.33-71.3651×出厂价格＋57.69506×经销商数＋45.36846×包装费用”计算而得的“销售总额”预测值可以在残差输出（RESIDUAL OUTPUT）中的“预测 销售总额(万)”列中找到（见图10），实际的“销售总额”与“预测 销售总额（万）”相减的结果即为残差输出（RESIDUAL OUTPUT）中的“残差”列，该列反映了预测值与实际值之间的差异。
在残差输出（RESIDUAL OUTPUT）结果的“H”列中（见图9），给出了线性回归方程的系数（Coefficients）和常数（即截距Intercept）。因此线性回归方程为“销售总额＝12201.33-71.3651×出厂价格＋57.69506×经销商数+45.36846×包装费用”。
第二步：选择数据
在“输入”选项区域的“Y值输入区域”文本框中，输入或选取“销售总额（万）”列所在的F2:F19单元格区域；在“X值输入区域”文本框中输入或选取“出厂价格”、“经销商数”和“包装费用”列所在的C2:E19单元格区域。由于数据区域首行包含标志，因此选中“标志”复选框。然后选中“输出选项”选项区域中的“输出区域”单选按钮，并在其右侧的编辑框中输入用来存放回归分析结果的位置“H2”，选中“残差”选项区域中的“残差”复选框，如图7所示。
输出结果给出了每个变量的“P-value”值（见图11），当这个值小于或等于“0.15”时，说明该变量对预测“销售总额”是有价值的，“P-value”值越小，“销售总额”受该变量的影响越大。此例中，出厂价格、经销商数、包装费用对应的“P-value”值分别为“0.000112”、“0.000432”和“0.519179”。由于“包装费用”的“P-value”比“0.15”大很多，因此可以忽略它对“销售总额”的影响。这样就可以根据今后两个月的出厂价格和经销商数来预测销售额了。
p在“回归”对话框中进行设置
第三步：分析结果
单击确定按钮，输出结果，即可对回归分析的结果进行分析：
(8)
“回归统计”部分的R平方值“R Square”的值接近于1（见图8），说明“销售总额”与“出厂价格”、“经销商数”、“包装费用”有较强的关系，分析的结果是有价值的。
(10)
(11)
预测是决策的前提，只有经过科学预测，才能实现科学决策。
如果你手中有大量的统计数据，希望能从这些堆砌的数据中找到影响销售额的因素，并预测未来几个月的销售趋势，使用Excel 2007，如何才能做到呢？
数据预测要解决的困惑：
如何通过大量的统计数据，预测出未来两个月的销售总额？
影响销售额的因素有很多，例如经销商分布是否合理？
产品价格是否合理？
包装是否精致？在这些因素中哪个才是关键因素？
如何通过影响销售额的诸多因素，准确预测出未来两个月的销售额？
通过统计数据挖掘潜在趋势
现有17个月的统计数据，根据这些数据，预测未来两个月的销售总额，可按照如下步骤操作。
第一步：生成柱形图
选中“销售总额”统计数据所在的F3:F20单元格区域，在“插入”选项卡的“图表”选项组中，打开“柱形图”下拉列表，选择“二维柱形图”区域中的“簇状柱形图”（见图1）。
(1)
(2)
(3)
第二步：设置趋势线
选中图表，在“布局”选项卡的“分析”选项组中，打开“趋势线”下拉列表，执行“其他趋势线选项”命令，打开“设置趋势线格式”对话框。此时Excel会在图表中插入一条默认的趋势线，即线性趋势线。
第三步：设置预测参数
由于需要预测未来两个月的销售情况，因此在“趋势预测”选项区域中的“前推”文本框中输入“2”，并选中“显示公式”和“显示R平方值”复选框。这时，在“趋势预测/回归分析类型”选项区域中进行选择，可以在图表中看到应用每种趋势线后的效果，以及对应的“R平方值”，如图2所示。趋势线的R平方值越接近1，其可靠性越高，因此需要选择一个R2较大的趋势线，本例中选择“多项式”，并将“顺序”设置为“3”。
第四步：优化图表
对图表进行适当的格式化操作，设置完成的图表如图3所示。当需要预测后面的11月、12月的销售总额时，只需根据图表中趋势线的公式“y=2.5943x3-61.229x2+768.77x+2813.7”，将x值分别以“18”和“19”计算即可。
p将垂直轴的“最小值”设置为“0”
找出影响销售总额的关键因素
影响销售额的因素可能有很多，例如经销商分布得是否合理？产品价格是否合理？包装是否精致？在这些因素中，哪个才是影响销量的关键因素呢？这时可按照如下步骤，快速找出影响销售额的因素。
第一步：添加“数据分析”功能按钮
单击Office按钮，在随即打开的下拉菜单中单击“Excel选项”按钮，打开“Excel选项”对话框。单击左侧选项栏中的“加载项”按钮，在对话框最下面的“管理”下拉列表框中选择“Excel加载项”，然后单击“转到”按钮，打开“加载宏”对话框。选中列表框中的“分析工具库”复选框，并单击确定按钮。操作完成后即可在“数据”选项卡的“分析”选项组，看到“数据分析”按钮。
第二步：打开数据分析对话框
单击“数据分析”按钮，打开“数据分析”对话框（见图4）。
p打开“数据分析”对话框
第三步：设置相关系数
选中列表框中的“相关系数”，单击确定按钮，打开“相关系数”对话框。在“输入区域”文本框中输入或选取出厂价格、经销商数、包装费用和销售总额所在的单元格区域“C3:F20”，选中“分组方式”中的“逐列”单选按钮，选中“标志位于第一列”复选框。在“输出选项”选项区域中，选中“输出区域”单选按钮，并输入或选取用来存放统计结果的位置“H5”，如图5所示。
p设置“相关系数”对话框
第四步：结果分析
单击确定按钮，得到的相关系数矩阵如图6所示。相关系数的取值范围为-1～1，其绝对值越大，相关性也就越大。相关系数为“正”，说明二者正相关；相关系数为“负”，说明二者反相关。
p相关系数矩阵
(4)
(5)
(6)
由图6的相关系数矩阵，可以得出如下结论：
· “销售总额”与“出厂价格”的相关系数为“-0.95113”。由于其绝对值接近于“1”，说明二者有很强的关系。因为相关系数的值为“负”，所以二者为负相关，即“出厂价格”越高，“销售总额”越低。
· “销售总额”与“经销商数”的相关系数为“0.971123”。可以看出，二者的相关性也很强，由于相关系数为“正”，因此可以说明“经销商数”越多，“销售总额”越高。
· “销售总额”与“包装费用”的相关系数为“0.679711”。对比前面两个相关系数可以看出，“销售总额”与“包装费用”虽然有一定的正相关性，但是其相关性远远不如“出厂价格”和“经销商数”高。
通过上述分析可以看出，利用“相关系数”可以迅速从大量数据中找到它们之间的关系，为制订新一年的销售计划提供重要依据。
通过影响销售额的关键因素准确预测未来销售总额
通过上面的分析，我们可以了解到，“出厂价格”和“经销商数”是影响销售额的关键因素，在产品包装上的花费虽然也会影响销售额，但不是关键因素。但是他们之间到底有怎样的联系？如何通过出厂价格、经销商数和包装费用，精确地预计以后11月和12月的销售额呢？
在考虑出厂价格、经销商数和包装费用影响因素的前提下预测今后两个月的销售额，无疑比单纯根据近17个月以来的销售总额进行预测更有说服力，这时，可以按照如下步骤找到用来预测未来两个月销售额的公式。
第一步：打开回归对话框
在“数据”选项卡的“分析”选项组中，单击“数据分析”按钮，打开“数据分析”对话框。选中“分析工具”列表框中的“回归”，单击确定按钮，打开“回归”对话框。
(7)
(9)
按照方程“销售总额＝12201.33-71.3651×出厂价格＋57.69506×经销商数＋45.36846×包装费用”计算而得的“销售总额”预测值可以在残差输出（RESIDUAL OUTPUT）中的“预测 销售总额(万)”列中找到（见图10），实际的“销售总额”与“预测 销售总额（万）”相减的结果即为残差输出（RESIDUAL OUTPUT）中的“残差”列，该列反映了预测值与实际值之间的差异。
在残差输出（RESIDUAL OUTPUT）结果的“H”列中（见图9），给出了线性回归方程的系数（Coefficients）和常数（即截距Intercept）。因此线性回归方程为“销售总额＝12201.33-71.3651×出厂价格＋57.69506×经销商数+45.36846×包装费用”。
第二步：选择数据
在“输入”选项区域的“Y值输入区域”文本框中，输入或选取“销售总额（万）”列所在的F2:F19单元格区域；在“X值输入区域”文本框中输入或选取“出厂价格”、“经销商数”和“包装费用”列所在的C2:E19单元格区域。由于数据区域首行包含标志，因此选中“标志”复选框。然后选中“输出选项”选项区域中的“输出区域”单选按钮，并在其右侧的编辑框中输入用来存放回归分析结果的位置“H2”，选中“残差”选项区域中的“残差”复选框，如图7所示。
输出结果给出了每个变量的“P-value”值（见图11），当这个值小于或等于“0.15”时，说明该变量对预测“销售总额”是有价值的，“P-value”值越小，“销售总额”受该变量的影响越大。此例中，出厂价格、经销商数、包装费用对应的“P-value”值分别为“0.000112”、“0.000432”和“0.519179”。由于“包装费用”的“P-value”比“0.15”大很多，因此可以忽略它对“销售总额”的影响。这样就可以根据今后两个月的出厂价格和经销商数来预测销售额了。
p在“回归”对话框中进行设置
第三步：分析结果
单击确定按钮，输出结果，即可对回归分析的结果进行分析：
(8)
“回归统计”部分的R平方值“R Square”的值接近于1（见图8），说明“销售总额”与“出厂价格”、“经销商数”、“包装费用”有较强的关系，分析的结果是有价值的。
(10)
(11)