Small Business Slik flytter du gjennomsnitt i Excel 2010 Flytte gjennomsnitt forutsier fremtidige verdier. Hemera TechnologiesAbleStockGetty Images Microsoft Excel 2010s AVERAGE-funksjonen beregner et seriøst aritmetisk gjennomsnitt, som er summen delt på antall elementer i serien. Når hvert nummer i serien er annerledes, endres gjennomsnittet med hvert nytt datapunkt. Dette danner en sekundær serie som sporer det opprinnelige seriess glidende gjennomsnittet. Det bevegelige gjennomsnittet viser trender innenfor dataene. Hvis et regneark sporer virksomheten din for eksempel, endrer beholdningen, kan det bevegelige salget gjennomsnittet hjelpe deg med å bestemme dine ideelle lagernivåer i slutten av hver måned. 1. Klikk på quotFilequot på Excels Ribbon. 2. Klikk på quotOptionsquot på venstre side av skjermen for å åpne Excel-alternativer-vinduet. 3. Klikk på quotAdd-Insquot i vinduets venstre rute. 4. Klikk på knappen merket quotGoquot ved siden av rullegardinboksen merket quotExcel Add-insquot for å åpne tilleggsvinduet. 5. Merk av i boksen merket quotAnalysis ToolPak. quot Klikk quotOK. quot 6. Klikk på quotDataquot på Excels Ribbon. 7. Klikk på quotData Analysisquot i analysegruppen for å åpne vinduet Dataanalyse. 8. Velg quotMoving Averagequot i vinduet Data Analysis. Klikk quotOKquot for å åpne vinduet quotMoving Averagequot. 9. Klikk på knappen i tekstboksen med etiketten quotInput Range. quot Klikk og velg dataene hvis glidende gjennomsnitt du vil ha Excel å finne. 10. Klikk på knappen i tekstboksen merket quotOutput Range. quot Klikk og velg de cellene hvor du vil at de bevegelige gjennomsnittene skal vises. 11. Skriv inn en verdi i tekstboksen merket quotInterval. quot Denne verdien beskriver antall figurer som hvert gjennomsnitt må vurdere. For eksempel, hvis hvert gjennomsnitt må beregne de forrige tre tallene, må du angi quote. quot 12. Klikk quotOK. quot Excel vil sette inn glidende gjennomsnitt. Om forfatteren Ryan Menezes er en profesjonell forfatter og blogger. Han har en bachelor i vitenskap i journalistikk fra Boston University og har skrevet for American Civil Liberties Union, markedsføringsfirmaet InSegment og prosjektledelsen Service Assembla. Han er også medlem av Mensa og den amerikanske parlamentariske debattforeningen. Foto Credits Hemera TechnologiesAbleStockGetty Bilder Relaterte søk Mer artikler Graf Hvordan lage en graf på Excel med et kumulativt gjennomsnittlig regneark Hvordan lage et regneark med datoer over den øverste y-akse Hvordan legge til en andre y-akse på Excel Lag en andre serie på Slutten på diagramgrafen Hvordan lage en tosidig graf i Excel Også sett Lokal US-amp World Sport Business Underholdning Livsstil Jobber Biler Eiendom Annonser med oss Kjøp annonser for web, sosiale medier og skriv ut via Hearst Media Services Sett inn en klassifisert annonse i papiret eller på nettet Plasser en målrettet annonse i en spesialitetsseksjon, for eksempel en ukentlig eller nabolagspublikasjon Abonnenttjenester Kontakt oss Utgaver amp Apps Følg Chron kopi Copyright 2017 Hearst Newspapers, LLCExcel Salgsprognoser for dummies Cheat Sheet Når du begynner å lære prognoser, it8217s er ofte en god ide å lene seg på Excel-verktøyene i tillegg til dataanalyse. Men deres rekkevidde er ganske begrenset, og for lenge vil du sannsynligvis finne deg selv å utnytte Excel8217s regnearksfunksjoner direkte. Når du finner deg selv ved hjelp av all inferensiell statistikk som følger med LINEST-funksjonen, vet du at it8217 er på tide å legge ut grunnlinjen for en formell prognose. 6 Excel-dataanalyse-tilleggsverktøy Data-addisjonen, tidligere kjent som Analysis ToolPak, går inn i formler på vegne av deg, slik at du kan konsentrere deg om what8217s som skjer med dataene dine. Den har tre forskjellige verktøy som er direkte nyttige i prognoser for flytende gjennomsnitt, eksponentiell utjevning og regresjon, samt flere andre som kan være til hjelp. Her er en liste over noen av verktøyene som er en del av addisjonen til dataanalyse. Det er faktisk tre forskjellige ANOVA-verktøy. Ingen er spesielt nyttig for prognoser, men hver av verktøyene kan hjelpe deg å forstå datasettet som ligger til grunn for prognosen din. ANOVA-verktøyene hjelper deg med å skille mellom eksempler, for eksempel, gjør folk som bor i Tennessee som et bestemt bilmerke bedre enn de som bor i Vermont. Dette verktøyet er en viktig, uansett hvilken metode du bruker til å lage en prognose. Hvis du har mer enn én variabel, kan det fortelle deg hvor sterkt de to variablene er relatert (pluss eller minus 1,0 er sterk, 0,0 betyr ikke noe forhold). Hvis du bare har én variabel, kan den fortelle deg hvor sterkt en tidsperiode er relatert til en annen. Bruk verktøyet Beskrivende statistikk for å få et håndtak på ting som gjennomsnittet og standardavviket til dataene dine. Å forstå disse grunnleggende statistikkene er viktig, slik at du vet hva som skjer med prognosene dine. Dette verktøyet navn lyder ubehagelig og skremmende, som verktøyet ikke er. Når du bare har en variabel noe som salgsinntekter eller enhetssalg, ser du til en tidligere faktisk verdi for å forutsi den neste (kanskje den forrige måneden eller samme måned i forrige år). Alt dette verktøyet gjør er å justere neste prognose ved å bruke feilen i forrige prognose. Et glidende gjennomsnitt viser gjennomsnittet av resultater over tid. Den første kan være gjennomsnittet for januar, februar og mars det andre vil da være gjennomsnittet for februar, mars og april og så videre. Denne metoden for prognose har en tendens til å fokusere på signalet (hva skjer i utgangspunktet) og for å minimere støyen (tilfeldige svingninger i grunnlinjen). Regresjon er nært knyttet til korrelasjon. Bruk dette verktøyet til å prognose en variabel (for eksempel salg) fra en annen (for eksempel dato eller annonsering). Den gir deg et par tall som skal brukes i en ligning, som salg 50000 (10 Dato). 4 Excel Forecasting Funksjoner Excel har mange gode verktøy for salgsprognoser. Å vite følgende funksjoner er nyttig for å få dataene dine i orden. Sjekk ut følgende nyttige prognoserfunksjoner. Regnearkversjonen av Korrelasjonsverktøy for dataanalyse. Forskjellen er at CORREL omberegner når inngangsdata endres, og korrelasjonsverktøyet gjør det ikke. Eksempel: CORREL (A1: A50, B1: B50). CORREL gir deg bare en korrelasjon, men korrelasjonsverktøyet kan gi deg en hel matrise av korrelasjoner. Du kan bruke denne funksjonen i stedet for regresjonsverktøyet for dataanalyse. (Funksjonsnavnet er en forkortelse av lineært estimat.) For enkel regresjon, velg et utvalg av to kolonner og fem rader. Du må matche-skriv inn denne funksjonen. Skriv for eksempel LINEST (A1: A50, B1: B50,, TRUE) og trykk deretter CtrlShiftEnter. Denne funksjonen er nyttig fordi den gir deg prognosverdier direkte, mens LINEST gir deg en ligning som du må bruke for å få prognosen. For eksempel, bruk TREND (A1: A50, B1: B50, B51) der du forutsetter en ny verdi på grunnlag av hva som er i B51. FORECAST-funksjonen ligner TREND-funksjonen. Syntaxen er litt annerledes. For eksempel bruk FORECAST (B51, A1: A50, B1: B50) der du forutsetter en ny verdi på grunnlag av verdien i B51. FORECAST håndterer bare én prediktor, men TREND kan håndtere flere prediktorer. Hva du får ut av Excel LINEST-funksjonen for salgsprognoser Excel8217s LINEST-funksjonen er et nyttig verktøy for salgsprognoser. Å vite hva du kan gjøre med det, vil gjøre prognosene dine enkle arbeid. Her er en rask oversikt over Excel8217s LINEST-funksjon, rad for rad: Bruk FORECAST-funksjonen i Excel (og Open Office Calc) kopi Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. La meg starte med å si at Excels Forecast Function er ikke et komplett prognoseprosesssystem. Forecasting i lagerstyring innebærer generelt å fjerne støy fra etterspørsel, deretter beregne og inkorporere trender, sesongmessighet og hendelser. Forecast-funksjonen skal ikke gjøre alle disse tingene for deg (teknisk kunne det, men det er bedre måter å oppnå noen av disse). Men det er en fin liten funksjon som er lett å bruke, og det kan sikkert være en del av ditt prognosesystem. Ifølge Microsoft Hjelp på Forecast-funksjonen. FORECAST (x, knownys, knownxs) - funksjonen returnerer den anslåtte verdien av den avhengige variabelen (representert i dataene ved knownys) for den spesifikke verdien x av den uavhengige variabel (representert i dataene ved knownxs) ved å bruke en best egnet form (minst kvadrater) lineær regresjon for å forutsi y-verdier fra x-verdier. Så hva betyr dette egentlig Lineær regresjon er en form for regresjonsanalyse og kan brukes til å beregne et matematisk forhold mellom to (eller flere) datasett. I prognoser vil du bruke dette hvis du trodde at et sett med data kunne brukes til å forutsi et annet sett med data. Hvis du for eksempel solgte byggematerialer, kan det hende du finner at endringer i rentenivået kan brukes til å forutsi salg av produktene dine. Dette er et klassisk eksempel på bruk av regresjon for å beregne et forhold mellom en ekstern variabel (renter) og en intern variabel (salget). Men som vi vil se senere, kan du også bruke regresjon for å beregne et forhold innenfor det samme settet av data. En typisk tilnærming til regresjonsanalyse innebærer bruk av regresjon for å bestemme det matematiske forholdet, men også for å gi deg en ide om hvor gyldig det forholdet er (det vil si analysedelen). Forecast-funksjonen hopper over analysen, og beregner bare et forhold og bruker automatisk det til utgangen. Dette gjør tingene enklere for brukeren, men det antas at forholdet ditt er gyldig. I hovedsak bruker Forecast-funksjonen lineær regresjon for å forutsi en verdi basert på et forhold mellom to sett med data. Lar se noen eksempler. I figur 1A har vi et regneark som inkluderer gjennomsnittlig rentesats i løpet av de foregående 4 årene og enhetssalg i den samme 4-årige perioden. Vi viser også en forventet rentesats for det femte året. Vi kan se i eksemplet at salg av våre enheter går opp når rentene kommer ned og går ned når rentene går opp. Bare se på eksemplet, vi kan sannsynligvis gjette at salget for år 5 ville være et sted mellom 5000 og 6000 basert på det observerte forholdet mellom renten og salget i de foregående perioder. Vi kan bruke Forecast Function til å presisere kvantifisere dette forholdet og bruke det til det femte året. I figur 1B kan du se prognosefunksjonen som brukes. I dette tilfellet er formelen i celle F4 FORECAST (F2, B3: E3, B2: E2). Det vi har innenfor parentesen er kjent som et argument. Et argument er egentlig bare et middel til å overføre parametere til funksjonen som brukes (i dette tilfellet, Forecast-funksjonen). Hver parameter er separert med et komma. For at Forecast Forecast skal fungere, må den kjenne verdien vi bruker for å forutsi vår produksjon (vårt 5 års salg). I vårt tilfelle er parameteren (vår rente i år 5) i celle F2, så det første elementet i vårt argument er F2. Deretter må den vite hvor den kan finne de eksisterende verdiene den vil bruke til å bestemme forholdet som skal gjelde for F2. Først må vi gå inn i cellene som representerer verdiene av vår avhengige variabel. I vårt tilfelle vil dette være våre enheter solgt i løpet av de foregående 4 årene, derfor kommer vi inn i B3: E3. Da må vi skrive inn cellene som representerer verdiene av vår prediktorvariabel. I vårt tilfelle vil dette være renten i løpet av de foregående 4 årene, derfor går vi inn i B2: E2). Forecast Forecast-funksjonen kan nå sammenligne enhetene som er solgt i løpet av årene 1 til 4, til rentene i de samme årene, og deretter bruke det forholdet til vår forventede rente på år 5 for å få vårt prognostiserte salg for år 5 på 5 654 enheter. I det forrige eksempelet kan vi se på grafene for å prøve å visualisere forholdet. Ved første øyekast kan det ikke se så opplagt ut fordi vi har et omvendt forhold (salg går opp når rentene går nede), men hvis du mentalt vendt en av grafene, ser du et veldig tydelig forhold. Det er en av de kule tingene om Forecast-funksjonen (og regresjonsanalyse). Det kan lett håndtere et omvendt forhold. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Nå kan vi se på et annet eksempel. På figur 2A ser vi et nytt sett med data. I dette eksemplet gikk rentene våre opp og ned over de foregående 4 årene, men vår salg av enheter viste en konsekvent oppadgående trend. Mens det er mulig at rentene hadde noen innvirkning på vårt salg i dette eksemplet, er det åpenbart at det er mye mer betydningsfulle faktorer på spill her. Ved å bruke vår prognosefunksjon med disse dataene, returnerer vi en prognose på 7 118 enheter for år 5. Jeg tror de fleste av oss vil se på vår salgstrend og er enige om at det er langt mer sannsynlig at vårt salg for år 5 vil være 9 000 enheter. Som jeg tidligere nevnte, antar prognosefunksjonen at forholdet er gyldig, og det gir derfor produksjon basert på den beste passformen som kan utgjøre dataene som er gitt til den. Med andre ord, hvis vi forteller det, er det et forhold, det tror på oss og produserer produksjonen tilsvarende, uten å gi oss en feilmelding eller et signal som innebærer at forholdet er svært dårlig. Så vær forsiktig med det du ber om. De tidligere eksemplene dekket den klassiske anvendelsen av regresjon til prognoser. Selv om alt dette høres bra ut, er dette klassiske programmet for regresjon ikke like nyttig som du kanskje tror (du kan sjekke ut boken min for mer informasjon om regresjon og hvorfor det kanskje ikke er et godt valg for dine prognosebehov). Men nå kan vi bruke Forecast Function til å bare identifisere trenden innenfor et gitt sett med data. La oss begynne med å se på figur 3A. Her har vi krav med en veldig åpenbar trend. De fleste av oss bør kunne se på disse dataene og føle seg komfortable forutsi at etterspørselen i periode 7 vil være 60 enheter. Likevel, hvis du kjørte disse dataene gjennom de typiske prognoseberegningene som brukes i lagerstyring, kan du bli overrasket over hvor dårlig mange av disse beregningene er å regne for trend. Siden Forecast-funksjonen krever at vi skriver inn en avhengig variabel og en prediktorvariabel, hvordan går vi om å bruke Forecast-funksjonen hvis vi bare har ett sett med data Vel, mens det er teknisk sant at vi har et enkelt sett med data (vår etterspørselshistorie), har vi faktisk et forhold som skjer innenfor dette datasettet. I dette tilfellet er vårt forhold tidsbasert. Derfor kan vi bruke hver perioder etterspørsel som en prediktorvariabel for følgende perioder etterspørsel. Så vi trenger bare å fortelle Forecast-funksjonen for å bruke etterspørselen i periode 1 til 5 som eksisterende data for prediktorvariabelen, og bruk etterspørsel i periode 2 til 6 som eksisterende data for den avhengige variabelen. Fortell deretter å bruke dette forholdet til etterspørselen i periode 6 for å beregne vår prognose for periode 7. Du kan se på figur 3B, vår formel i Cell I3 er FORECAST (H2, C2: H2, B2: G2). og det gir en prognose på 60 enheter. Åpenbart er dette eksemplet ikke realistisk siden etterspørselen er altfor pen (ingen støy). Så vi ser på figur 3C hvor vi bruker samme beregning til noen mer realistiske data. Jeg vil bare gjenopprette, at mens Forecast Forecast-funksjonen er nyttig, er det ikke et prognose-system. Jeg foretrekker vanligvis å ha litt mer kontroll over nøyaktig hvordan jeg søker og utvider trender til prognosen min. I tillegg vil du først fjerne eventuelle andre elementer i etterspørselen din som ikke er relatert til basenes etterspørsel og trend. For eksempel vil du fjerne eventuelle effekter av sesongmessighet eller hendelser (for eksempel kampanjer) fra din etterspørsel før du bruker prognosefunksjonen. Du vil da bruke din sesongindeksindeks og eventuelle hendelsesindekser til utgangen av Forecast Function. Du kan også leke med dine innganger for å få et bestemt ønsket resultat. Du kan for eksempel prøve å utjevne etterspørselshistorikken din først (gjennom et bevegelige gjennomsnitt, vektet glidende gjennomsnitt eller eksponensiell utjevning), og ved å bruke det er prediktorvariabelen i stedet for den raske etterspørselen. For mer informasjon om prognoser, sjekk ut boken Inventory Management Explained. Bruke prognosefunksjonen i Open Office Calc. For brukere av Openoffice. org Calc. Forecast-funksjonen fungerer ganske mye det samme som i Excel. Det er imidlertid en liten forskjell i syntaksen som brukes i Calc. Uansett hvor du vil bruke et komma i et argument i en Excel-funksjon, vil du i stedet bruke et semikolon i Calc. Så, i stedet for Excel-formelen, vil du gå inn på Gå til artikler for flere artikler av Dave Piasecki. Kopier Copyright. Innhold på InventoryOps er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Dave Piasecki. er eieroperatør av Inventory Operations Consulting LLC. et konsulentfirma som tilbyr tjenester knyttet til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsledelse og kan nås gjennom sin nettside (inventoryops), hvor han opprettholder tilleggsinformasjon. Min Business Inventory Operations Consulting LLC gir rask, rimelig, ekspertbistand med Inventory Management og Warehouse Operations. Mine bøker
No comments:
Post a Comment