季节性|不会写模型代码？可以这么来做销量预估( 二 )_

文章插图
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。

文章插图
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”。

文章插图
结果如下图：

文章插图
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。

文章插图
三、案例三：季节性销量预测数据源如下：

文章插图
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。

文章插图
将数据源通过数据透视表处理成下图所示：

文章插图

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”。

文章插图
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。

文章插图
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。