A. Excel怎麼預測數據
把庫存預測肢解成幾個關鍵步驟。
第一步：數據准備，依要求對EXCEL公式數據輸入
先看一組實際的數據，其中藍色字體是已知具備的數據，黃色則是需要預測的庫存數據。預測庫存，則至少需要具備的數據是標注藍色三行數據。為別是：上一年度月營收，上一年度月實際庫存，本年度月營收目標。可參照始下截圖與視頻。
第二步：依KPI目標調整預測數據
假設要求實際目標要求對總體存貨周轉率提升10%，則總體平均存貨庫存也減少10%，具體數據如下截圖標注粉色行。
第三步：把總庫存分解成不同物料形態的庫存。這里講的不同類別可以指的是：
物料形態分類：原材料、半成品、在製品以及成品等。
倉碼分類：原材料倉、包裝倉、成品倉、重要物資倉、五金倉、配件倉以及輔助物料倉等。
這里我們以第一種物料類型實例說明。須依據上年度不同物料類別占總庫存的比率，再計算對應類別庫存總額，如下截圖。
第四：驗證二無一次線性回歸分析方法的准確度。
存貨周轉天數=(（期初庫存+期末庫存）/2*30）/(營收*物料成本率）=(平均庫存*30）/銷售成本。
依公式反推預測庫存，平均庫存=（目標周轉天數*營收*物料成本率）/30，前提需要更多的數據信息，包括物料成本率與以往的周轉天數做為計劃依據。
兩種不同的方法得出庫存預測吻度為97%（或103%）。
B. 一份完整的數據分析報告
一份完整的數據分析報告
一份完整的數據分析報告。現代社會屬於大數據時代，而數據分析報告是非常重要的，一份完整的數據分析報告並不好寫。接下來就由我帶大家詳細的了解下一份完整的數據分析報告的相關內容。
報告是項目的結果展示，是數據分析結果鍵閉的有效承載形式。一份思路清晰，言簡意賅地數據分析報告能直戳問題痛點，提高溝通效率，獲得領導賞識。
對於數據分析報告，首先要有一個概念性的認識，按照報告陳述的思路，可分為四類：
這四類報告由淺入深，分析難度遞增，對企業決策的支持程度也遞增，尤其是當企業面臨某個決策難題時，分析工作要做得足夠系統和深刻。
這四類報告我們可以做個比喻。
描述類報告類似記敘文，像個掃描儀一樣描繪市場輪廓，不求最深但求最全。
因果類報告類似議論文，像打水井，集中一點，一直探到底。
預測類報告類似科幻小說，像個預言家，根據市場的過去推斷市場的未來。
咨詢類報告類似推理小說，像小馬過河，投石問路，根據分析結論指導企業搜森一路前行。
報告結構
撰寫報告前先理清楚三個問題：
寫什麼內容？用什麼結構？如何論述？
寫什麼內容由決策難題決定，是投資？戰略？營銷還是其他，相應的報告也就有了相應的內容。
好的報告要求重點突出、主次分明、層次清晰。報告要依附內容的分析以及領導或其他人的閱讀習慣，但最重要的是遵循一定的結構化思維。
報告的常見構成
舉個例子，比如我用PPT展示一個網民調查的報告
1、標題頁： 標題頁用於寫報告題目，為了方便歸檔，日夜也應當註明，還有報告撰寫者和其單位所在部門。
2、目錄頁： 目錄頁將報告的各模塊呈現給讀者，方便閱讀和了解報告結構。
3、分析背景和項目說明： 用於闡述項目需求、分析目的、市場情況、以讓讀者了解項目的前因後果。項目說明用於註明假設、數據來源等。
4、分析思路頁： 這是整個報告的靈魂，便於理解報告的邏輯思路。
5、結論建議頁： 結論建議頁放在主題前，主要是為了給高層看時，結論建議可大幅度節省時間，簡明扼要。
6、分析主體頁面： 這里就要搬上你的各種數據表，數據分析圖。與表之間，圖與圖之間的聯系如何闡述，反映出的問題如何表達，這些都是在做數據分析圖表就要弄明白的。很多細心的領導及專門會針對你的數據分析以及結論來提問，因為現狀和未來是他們最關心的。所以你的數據展示一定要體現你的分析思路。
我曾經就被懟過一次，原因是數據分析結果展示於稿漏裂思路脫節，導致領導一直個為什麼，那個怎麼來，這個數據缺乏依據等等。因為當初的分析報告只是在展示數據，分析不透徹，表之間切換太過生硬，至今記憶猶新。後來，在做數據分析時，我製作一個表，或者一個圖，每個表或者圖都對不同維度做了深入的數據分析表，領導一問為什麼，我就點擊進去展示給他看明細，這用的就是FineBI的聯動鑽取和螺旋式分析功能，在展示時也能實時分析(以往的文章有提過)。
7、附錄頁：附錄頁目的是透明分析過程，常防止受訪者的基本資料。
報告的論述
一份好的報告，光有好的結構還不夠，還要有好的論述，關於論述，有幾個注意事項。
1、數據可靠，界定嚴謹
報告的數據來源一定要可靠。寫一份報告，獲取和整理數據往往會占據 6成以上的時間。要規劃數據協調相關部門組織數據採集、搭建體系平台、導出處理數據，最後才是寫報告，為了結論准確有效，你要保證數據的可靠性，否則一切都可能會變成誤導決策的努力。
界定是指報告中要對數據的來源、計算、概念做說明。不同的界定，有不同的結論。比如什麼是高端微波爐，不同的界定，得到的數據肯定是不同的。
2、概念一致，標准統一
一些名詞的解釋和定義，前後要一致，不要讓人不知所雲。
3、直觀呈報，通俗易懂
我們寫得報告還是金亮圖標話，用生動的圖表代替數字和文字的大量對切往往更形象直觀地理解你的.分析和結論。
1、你要一個故事
我自己有個想法，就是產品經理應該多學習相關領域的知識，比如學一些基礎的設計規范、交互原則、營銷知識，心理學知識，演算法知識等等。除了一些明顯的對工作的幫助，也能幫助自己擴展思路。其實做好報告，就應向咨詢機構或者投資機構學習。
一個報告核心不是包含很多內容，讓聽眾或者讀者去花時間理解，核心是講好一個簡單的故事。咨詢和投資機構做BP之前，會先花時間理清楚storyline。其實各種報告都應該這樣，先理清楚你要講的故事。
2、一個數據分析報告的框架
這里列出一個我個人比較喜歡的報告框架，可能針對不同的報告場景需要有所調整（比如刪除部分步驟，或者增加部分細節）：
項目背景：簡述項目相關背景，為什麼做，目的是什麼
項目進度：綜述項目的整體進程，以及目前的情況
名詞解釋：關鍵性指標定義是什麼，為什麼這么定義
數據獲取方法：如何取樣，怎麼獲取到的數據，會有哪些問題
數據概覽：重要指標的趨勢，變化情況，重要拐點成因解釋
數據拆分：根據需要拆分不同的維度，作為細節補充
結論匯總：匯總之前數據分析的主要結論，作為概覽
後續改進：分析目前存在的問題，並給出解決改進防範
致謝
附件：詳細數據
項目背景 & 項目進度
項目背景，需要簡述項目相關背景，為什麼做，目的是什麼。項目進度，需要綜述項目的整體進程，以及目前的情況。這兩點其實沒什麼可說的，如果對象是項目成員，可以寫簡單一些，如果對象是對項目不了解的人，則需要多寫 一些，但還是要盡量用最簡單的話，跟別人講明白。
名詞解釋 & 數據獲取方法
名詞解釋：關鍵性指標定義是什麼，為什麼這么定義。這點是很多人忽略的，其實很多時候數據的誤解都是因為對指標沒有統一的定義。舉例而言，點擊率可以是點擊次數/瀏覽次數，也可以是點擊人數/瀏覽人數。人數可能按訪問去重，也可能按天去重。如果沒有清晰的解釋，不同人理解不同，對整個數據的可讀性就大打折扣。
數據獲取方法：如何取樣，怎麼獲取到的數據，會有哪些問題。原始數據往往有一些缺憾，要經過數據清洗剔除雜訊，也需要部分假設進行數據補全。數據清洗和數據補全的方法需要跟匯報對象說明並且獲得認可，讓對方對於置信度有一個估計。
數據概覽 & 數據拆分
數據概覽，需要有重要指標的趨勢，變化情況，重要拐點成因解釋。
數據拆分，需要根據需要拆分不同的維度，作為細節補充。
這里基本上就是之前說的數據分析方法了。如果需要對方知道對比或者趨勢，則使用圖，如果需要對方知道具體數據，則使用表。表格對需要強調的數字要做明顯標識。需要注意的點是：核心指標要少而關鍵，拆分指標要有意義且詳細。同時如果是PPT的話，每頁說明白一個結論或者解釋清楚一個趨勢足以。關鍵性結論要用一句話能說清楚。
結論匯總 & 後續改進
結論匯總，基本是對之前數據分析階段的數據進行匯總，形成完整的結論。
後續改進，需要在數據分析的結論和問題的基礎上，對後續的迭代和改進措施作出方向性的說明。這部分其實很多時候也是分析的根本目的。
致謝 & 附件
致謝是對項目組合相關協助部門的致謝，基本上對於項目組和相關協助部門而言，也希望自己的工作或者積極配合能看到有效的數據結果。在之後的合作中，也會更加融洽。
附件是需要附贈更多沒有必要在數據報告中體現但是仍然有價值的數據。對於PPT而言，這部分也可以放在PPT致謝之後，與會同事有疑問，可以隨時翻到最後解釋。
3、總結
一個產品，如果你不能衡量它，你就不能了解它，自然而然，你就無法改進它。這是說數據。
而數據報告的意義也是類似，項目完成之後需要完整匯報，這樣無論是對上匯報還是對團隊而言，都是有重要意義。
突然想到一個事情。去年的時候做了一個內部數據平台，到了取名字的時候，我用了dice。為什麼叫dice呢？
這得從物理說起（開啟神棍模式）。物理學不斷前行，之前人們認為物理學是決定論的，只要知道系統的初始值和足夠細節，就能知道之後系統的演化路徑。後來發現不是這樣的，對於一個基本粒子而言，觀測之前，粒子狀態和位置是不可預測的。愛因斯坦說「上帝不會擲骰子」，然後後續的研究，更多的是支持上帝是擲骰子的。這也是dice的來源。
即使是上帝視角，也不可能知道提前知道數據的結果。那麼作為產品經理而言，尊重數據結果，並分析形成結論，遠比相信一些所謂的方法論的條條框框好得多。
企業需要發展就需要得到更多信息，這些信息需要有專業能力的人才提供給企業，而這就是數據分析師，數據分析師要通過專業的手段獲取信息，對信息做整合，分析信息，最終形成數據分析統計報告。
在數據分析師的全部工作流程中，數據分析統計報告作為工作的成果是對企業、以及項目的最終發展方向及目標的決策起到至關重要的依據。
在編寫一份完整的數據分析報告前，這些數據報告給誰看，首先你要知道你的這份報告要突出那些點，在做一個數據分析之前領導所關心的哪些點，圍繞著這些中心點，簡單明了的進行編寫數據報告。
數據報告不需要大批量的文字闡述，本身數據分析是圍繞數據為核開展相應的工作，數據報告要突出的也是最終的統計結果，以數字的方式進行簡單明了的闡述對比，報告中加入一些畫像模型，柱線圖、餅狀圖來表示佔有份額等等最為突出，讓閱覽者可以很好的理解，很容易在你的這份報告中找到自己企業在市場的份額，這是作為一個優秀的數據分析師的基本功。
先展示自己在行業內的情況後還要分析當前整個市場的數據變化走勢，通過對自身行業市場的大數據統計，找到市場發展新的切入點、客戶們所關心的新問題、潛在客戶的特徵最終形成走勢圖為企業提供發展方向。
哪些點是我們不足的地方，哪些是我們需要開展的新業務等等，這些都會從行業數據大趨勢發展中體現出來，從而為企業未來的發展決策提供參考依據，為企業領導提供新的信息點，幫助企業思考、創新、完善做出一份滿意的答卷。
C. 怎樣做數據異常的數據預測
用相關變數回歸法。比如近五年的物流數據跟gdp做一個回歸，看看r²是不是很高。如果很高的話，那就先給gdp做一個預測，然後把預測的gdp代入回歸公式，從而得到預測的物流數據。gdp序列長，而且數據規律性較好，因此可以預測疫情影響下的未來值。當然如果能找到跟物流數據相關性更好的數據更好。
D. 數據預測的步驟
數據預測的步驟：
1. 決定目標：在獲取數據之前，數據價值鏈的第一步要先決定目標：業務部門要決定數據科學團隊的目標。這些目標通常需要進行大量的數據收集和分析。因為我們正在研究那些驅動決策的數據，所以需要一個可衡量的方式，判斷業務是否正向著目標前進。數據分析過程中，關鍵權值或性能指標必須及早發現。
2. 確定業務手段：應該通過業務的改變，來提高關鍵指標和達到業務目標。如果沒有什麼可以改變的，無論收集和分析多少數據都不可能有進步。在項目中盡早確定目標、指標和業務手段能為項目指明方向，避免無意義的數據分析。例如，目標是提高客戶滯留度，其中一個指標可以是客戶更新他們訂閱的百分比，業務手段可以是更新頁面的設計，提醒郵件的時間和內容以及特別的促銷活動。
3. 數據收集：數據收集要盡量廣撒網。更多的數據—-特別是更多的不同來源的數據—-使得數據科學家能找到數據之間更好的相關性，建立更好的模型，找到更多的可行性見解。大數據經濟意味著個人記錄往往是無用的，擁有可供分析的每一條記錄才能提供真正的價值。公司通過檢測它們的網站來密切跟蹤用戶的點擊及滑鼠移動，商店通過在產品上附加RFID來跟蹤用戶的移動，教練通過在運動員身上附加感測器來跟蹤他們的行動方式。
4. 數據清洗：數據分析的第一步是提高數據質量。數據科學家要糾正拼寫錯誤，處理缺失數據以及清除無意義的信息。這是數據價值鏈中最關鍵的步驟。垃圾數據，即使是通過最好的分析，也將產生錯誤的結果，並誤導業務本身。不止一個公司很驚訝地發現，他們很大一部分客戶住在紐約的斯克內克塔迪，而該小鎮的人口不到70000人。然而，斯克內克塔迪的郵政編碼是12345，由於客戶往往不願將他們的真實信息填入在線表單，所以這個郵政編碼會不成比例地出現在幾乎每一個客戶的檔案資料庫中。直接分析這些數據將導致錯誤的結論，除非數據分析師採取措施來驗證和清洗數據。尤為重要的是，這一步將規模化執行，因為連續數據價值鏈要求傳入的數據會立即被清洗，且清洗頻率非常高。這通常意味著此過程將自動執行，但這並不意味著人無法參與其中。
5. 數據建模：數據科學家構建模型，關聯數據與業務成果，提出關於在第一步中確定的業務手段變化的建議。數據科學家獨一無二的專業知識是業務成功的關鍵所在，就體現在這一步—-關聯數據，建立模型，預測業務成果。數據科學家必須有良好的統計學和機器學習背景，才能構建出科學、精確的模型，避免毫無意義的相關性及一些模型的陷阱。這些模型依賴於現有的數據，但對於未來的預測是無用的。但只有統計學背景是不夠的，數據科學家還需要很好地了解業務，這樣他們才能判斷數學模型的結果是否有意義，以及是否具有相關性。
6. 培養一個數據科學團隊：數據科學家是出了名的難僱用，所以最好自己構建一個數據科學團隊，讓團隊中那些在統計學方面有高級學位的人專注於數據建模和預測，而其他人—-合格的基礎架構工程師，軟體開發人員和ETL專家—-構建必要的數據收集基礎設施，數據管道和數據產品，使得結果數據能夠從模型中輸出，並以報告和表格的形式在業務中進行展示。這些團隊通常使用類似Hadoop的大規模數據分析平台自動化數據收集和分析工作，並作為一個產品運行整個過程。
7. 優化和重復：數據價值鏈是一個可重復的過程，能夠對業務和數據價值鏈本身產生連續的改進。基於模型的結果，業務將根據驅動手段做出改變，數據科學團隊將評估結果。在結果的基礎上，企業可以決定下一步計劃，而數據科學團隊繼續進行數據收集、數據清理和數據建模。企業重復這個過程越快，就會越早修正發展方向，越快得到數據價值。理想情況下，多次迭代後，模型將產生准確的預測，業務將達到預定的目標，結果數據價值鏈將用於監測和報告，同時團隊中的每個人將開始解決下一個業務挑戰。