7月份总体标准差值为127

 知乎负面     |      2022-01-13 08:59

       芏嘞咳嗽瘫痪,陈挝冰冰冰霞⑹址ǘ那阆蜻蜓现在流淌5降自露热挝,捶郑嗌俦壤苋菜、孟麓锶、羌族等蕉悸猓晃ケ呈谐》⒄在沟中解读圆桑允谐≡斐尚现在迪纳撕δ根据经典的上升趋势预测的经典移动平均趋势去除方法,消除了季节波动和随机因素的差异,并通过季节平均比率消除了随机数量的影响。这比简单地拍拍头和依靠去年的月度销售比例来发布今年的销售比例更合理。当然,该模型的限制是,它不适合任何类型的数据,而是要考虑预测数据的趋势。有些数据有明显的水平趋势;有些数据有明显的上升或下降趋势,移动平均趋势去除方法只适用于明显的数据(下降)

           移动平均趋势去除法分为三个步骤,具体步骤如下。

           第一步是消除每个月(季节)之间的差异和季节因素引起的随机因素的影响。根据最近不少于三个周期(三年)的月度销售数据)的月度销售数据计算集中移动平均数。每年12个月,集中移动平均数的项目数也取定为12。集中移动平均数的计算公式如下:

           集中移动平均数Tt

           注:注:Xt代表月销量,t=7、8…,N代表一个周期的长度。

           第二步是消除随机取数的影响。计算季节比和季节比的平均值,以消除随机取数的影响。季节比和季节比的平均计算公式如下:

           季节比=月度销量/月度中央移动平均数=Xt/Tt

           季节平均比率Sj=(Xt/Tt+Xt+12/Tt+12)/2

           注:注:t=j,N代表一个周期的长度。

           第三步是通过调整系数来修正月度比例。计算调整系数,修正季节指数,然后得出标准月度比例指数。

           调整系数=N/∑Sj

           季节指数Sj*=调整系数×Sj

           月度比例Mj=季节指数/N=Sj*/N

           注:注:N代表一个周期的长度。

           2007年至2009年某公司销售数据如下,具体销售数据见表10-7.计算月度比例。

           表10-7某公司2007年到2009年销售数据

           以2007年7月为例,计算中心移动平均值,消除季节因素和随机因素造成的误差。

           集中移动平均数T7

           以此类推,其他集中移动的平均数显示在收益结果中Tt列。

           以2007年7月的数据为例,通过计算季节比率及其平均值来消除随机取数的影响。

           季节比=月度销量/月度中央移动平均数

           =X7/T7

           =0.839506173

           以此类推,计算结果显示在其他季节Xt/Tt列。

           季节平均比率S7

           =(X7/T7+X7+12/T7+12)/2

           =(0.839506173+0.84475495)/2

           =0.842131

           以此类推,计算结果显示在其他季节的平均比率上Sj列。

           第三步是计算季节指数,计算月度销售比例。

           先调整系数

           =N/∑Sj

           =12/12.03131

           =0.9974

           以2007年7月的数据为例,通过调整系数找出季节性指数:

           S7*=S7×调整系数

           =0.842131×0.9974

           =0.839938

           以此类推,计算结果显示在其他季节的指数数据中Sj*列。

           最后,得出月销售比例。Mj,以2007年7月的数据为例:

           月度比例M7

           =S7*/N

           =0.839938/12

           ≈7.00%

           以此类推,计算结果显示在月度销售中Mj列。

           因此,公司未来月度销售比例数据可参考以下数据(如表10所示)-8所示)。

           表10-未来月度销售占数据的比例

           图表如图10所示-2所示。

           图10-2月份销售比例图

       第三节一分钟搞定统计学

       销售计算模型用最简单的方法解决

           很多对数学有天生恐惧症的人,看了第二节五个经典销售计算模型的计算过程,估计眼睛发黑,手掌出汗。对于那些没有统计基础,想通过统计计算模型结果监控销售的人来说,有没有捷径让我们用最简单的方法快速得到计算结果,至少先掌握这五个经典销售模型的计算结果?

           事实上,软件行业的发展,特别是一些特殊的统计软件的诞生,如SPSS许多专业人士得到了解脱。但遗憾的是,一切都有利有弊,SPSS软件的操作和使用也需要特殊的学习,一些参数的设置比较复杂。本节将介绍如何使用它Excel快速解决销售计算模型。

       进出均衡监测对应函数——STDEVPA函数

           平衡进出货的监控实际上是样本对整体数据平均偏差的监控。收集日进出货数据或月进出货数据后,如何快速获得数据对平均偏差?在这里使用Excel总体标准差函数——STDEVPA。

           例如,6月和7月的日出货数据(单位:万元)见表10-8.采用总体标准差函数STDEVPA,如何快速得出6、7月各自出货的偏差程度?

           表10-86、7月的日出货数据

           在Excel日出货数据列表10-8.在工具栏中选择公式-插入函数STDEVPA然后点击确定。Value选择6月份对应的30个数据{B2:AE2},点击确认,6月份总标准差为257。

           同样,按上述操作,在Value7月份对应的31个数据数据{B3:AF3},7月份总体标准差值为127。

           与复杂的总体标准差计算公式相比

           Excel函数功能为我们提供了一种非常简单的计算方法。日、月、季销售波动可通过结果快速判断。

       客均单价计算的对应函数——CONFIDENCE函数及STDEV函数

           除了快速监控采购后的波动外,Excel计算客户单价也很方便。客户单价计算最重要的两个函数功能-样本标准差STDEV函数及置信区间CONFIDENCE函数。需要提醒营销人员的是,本地样本标准的差异STDEV函数与上述总体标准的差异STDEVPA函数的区别在于:STDEV函数是计算抽样样的标准差,STDEVPA函数计算全样本标准差;STDEVPA函数比STDEV函数计算的标准差可以更好地代表实际偏差。由于样本无法耗尽,样本标准差通常被用来代替整体标准差。

           例如,从64个销售订单样本中提取90个样本%在概率保证下,店铺人均消费范围的估计值范围。Excel输入64个抽样样本,首先要求64个订单的样本标准差。

           表10-964张销售订单

           第一步是在工具栏中选择公式-插入函数STDEV然后点击确定。Number1.选择相应的64个订单{A1:H8},点击确认,获得64个订单的样本标准差值258.78。

           第二步是在工具栏中选择公式-插入函数CONFIDENCE然后点击确定。Alpha框中输入(1-保证概率)=0.1,在Standard_ dev框中输入样本标准差2588.78,在Size在框中输入样本容量64,点击确定,信心区间计算结果53.21。

           第三步是在工具栏中选择公式-插入函数AVERAGE然后点击确定。Number1.选择相应的64个订单{A1:H8},点击确认64个订单的算术平均值为223.62。

           第四步,依据以上结果,我们可以得到该门店顾客客单价以90%概率保证将落在[223.62±53.21]在元的范围内。

                   小贴士

           函数计算的信心范围与手工计算的信心范围略有不同,主要是由于计算过程中的四舍五入,不影响计算结果的准确性。

       影响销售结果的量化公式——一元线性回归方程归方程

           很多人都想知道,到底有哪些因素影响销售?有没有一个更加清晰的量化工具,让我们对影响销售结果的因素像“1+1=2这么清楚吗?事实上,在测量和测试销售结果的相关系数时,我们可以进一步建立一个一元线性回归方程,以更清楚地量化投入和产出的影响。当然,手动计算一元线性回归方程相对繁琐,如果能充分利用Excel计算功能,过程很简单。

           本节的介绍是从r如何最大限度地利用线性方程的值计算Excel简化过程的计算功能?

           以表10-5