# Excel预测分析的基本方法、思路和工具模型是什么？
预测分析是一门相对系统的专业领域，很多人有个误解，拿到一堆数据，就想着用各种方法“套用”，有的人熟悉回归分析，就用回归方程“预测”，有的了解Forecast函数，就用这个函数套用；不分业务场景就直接套用工具模型，最终的结果肯定偏差很大，如果碰到专业人士的挑战，预测方法只会让人贻笑大方。今天给大家全面、系统的介绍Excel预测分析的基本方法、思路和工具模型。
预测分析，也叫时间序列分析，表示一个变量在一定时间内不同时间点上观测值的集合。这些观测值是按时间顺序排列的，时间点之间的间隔是相等的，可以是年、季度、月、周、日或其他时间段。常见的时间序列有按年、季度、月、周、日统计的商品销量、销售额或库存量。
无论用何种方法和软件做预测，都要理解预测分析的底层逻辑，预测分析的底层逻辑就是时间序列的四种成分。
一、趋势成分
显示了一个时间序列在较长时期的变化趋势。通过观察，可以看出这种趋势是上升的还是下降的，是线性的还是非线性的。
二、季节成分
反映了时间序列在一年中有规律的变化，它是由一年中的特殊季节或节假日引起的，每年重复出现。含有季节成分的，需要运用季节指数分析。
三、周期成分
反映了时间序列在超过一年的时间内有规律的变化，即时间序列在数年的时间内呈现规则的变化。循环变动往往由经济状态的变动引起的，波峰出现在经济扩张期，波谷出现在经济收缩期。
四、不规则成分
不归因于上述三种成分，不可预期的随机因素，是不可预测的。大多数预测方法通过平均或平滑来消除。
既然知道预测分析的四种成分，那么，我们在做时间序列预测分析时，要遵循如下步骤：
第一步：确定时间序列的类型。
类型是由它所包含的成分决定的。大部分商业数据的成分是趋势或者季节。
（1）趋势成分。根据时间序列观测值数据，绘制出时间序列观测值随时间变化的曲线图。通过在该图上加入趋势线，来判断时间序列是否存在趋势成分，以及这种成分是线性还是非线性的。
（2）季节成分。要确定季节成分，至少需要两年的数据，而且时间序列观测值的时间间隔必须小于一年，比如季度、月、周或天。可以把两年的数据以两条曲线的方式绘制在以一年为时间轴的图中。下图中时间序列明显存在季节成分。
第二步：选择合适的方法建立预测模型。
第三步：评价模型准确性，确定最优模型参数。
许多预测模型都会用到一些参数。例如，移动平均模型中的移动平均跨度，指数平滑模型中的平滑常数等。选择不同的参数值会得到不同的预测值，从而影响预测的准确性。（课程中求间隔数）
第四步：按要求进行预测。
求出最优模型参数后，就可以在此基础上计算出未来时期的预测值。（比如回归方程等）
概括的讲，预测分析的常规思路：
1、识别数据背后的业务场景，非季节型or季节性；（两种方法）
2、清洗不必要的数据（重复/异常/空/缺失等）；
3、先作图，发现规律后，再选择合适的预测方法或模型；
4、如果是回归拟合出来的预测，需要观察R方的值。
学好预测分析的知识储备：
1、Excel函数如：SUM/SUMPRODUCT/预测函数；
2、规划求解原理和技能；
3、Excel数据分析工具库（回归分析原理）。
小结
预测分析，首先要作图观察数据趋势，再结合业务场景，判断是否存在季节性因素，如果不存在季节性因素，就用线性或曲线分析；如果存在季节性，就要求出季节性指数，然后用三种方法预测（分别是居中移动平均法、规划求解法、线性系数调整法）。具体制作方法可以系统学习《Excel数据分析综合案例-物流与供应链行业应用》