Excel预测未来的价值
我有一个庞大的excel文件，每个客户的月度销售额为2016年1月 – 12月。我想预测2017年1月的销售额。
你可以平均每个客户端的数据，并用像这样的公式忽略零
=AVERAGEIF(D2:D12,"<>0)
D2：D12是单个客户的销售variables的范围，它会给你一个客户的月平均值，你可以使用1月预测销售。
你有几个问题需要解决：
- 确定（a）使用的候选预测模型。
- 组织你现有的数据来testing这样的模型是否真的合适，执行这样的testing并select（a）合适的模型（根据你的数据是否是同类或不同，可能有多个模型可以使用。 ]
- 组织您的现有数据来应用您select的模型以进行预测。 （可能需要与2.不同的组织。）
你的描述是关于“销售”的，但你提供的数据样本提到“索赔”。 这些是非常不同的实体 – 销售额（取决于哪种types的销售额）可能与每月一样频繁，但声明可能会less得多。 如果是这种情况，而且索赔非常罕见，那么试图预测个人客户的主张是毫无意义的。 在这种情况下，预测一组客户的总体索赔水平会更有意义。
对于所有的build模，特别是对于预测模型，上下文对于指导哪些特定types的模型可能是适合的非常重要。 事实上，您没有提供关于您的数据真实代表的情况，因此不太可能（除了偶然的机会）发现提供给您的任何解决scheme实际上都是合适的。 一个解决scheme可能会计算出来，但是在您运营的环境中，它是否会提供一些合理或合理的预测？
“AverageIf”解决scheme可能就足够了; 然而，如果实际上有可能用于build模优势的数据中有任何趋势/季节性，那么您可能会做得更好。 对于每个客户，我会检查数据中的自相关。 “自相关也称为序列相关，是一个信号与其本身的延迟副本之间的相关性，作为延迟的函数。非正式地说，观测之间的相似性是它们之间时间滞后的函数。”（ https：/ / /en.wikipedia.org/wiki/Autocorrelation ）例如，如果在滞后时间= 12时存在显着的自相关，这将表明数据的年度季节性（也许每个月的数据都是相似的）。 有一个很好的教程来分析Excel中的自相关：
http://www.real-statistics.com/time-series-analysis/stochastic-processes/autocorrelation-function/
如果自相关确实存在，则使用该时间分量执行回归可能是有用的。 如果除了周期性成分之外还有一个随时间变化的趋势，那么也应该将其作为回归的一个因素（例如“年”variables）。 或者可以应用更复杂的时间序列方法来适应趋势和自相关，诸如自回归整合移动平均（ARIMA）模型： https ： //en.wikipedia.org/wiki/Autoregressive_integrated_moving_average