用Excel进行供应链数据分析:指数平滑和线性回归(附视频)
- 2026-06-28 00:28:52
本文版权属于原创作者Caddy，个人公众号如下，欢迎关注，第一时间获取供应链相关原创好文。
前几集链接如下
用Excel进行供应链数据分析：时间序列模型之移动平均（附视频）
用Excel进行供应链数据分析：安全库存和再订货点的计算（附视频）
用Excel函数实现库存分析和供应链预测（文字版）
指数平滑分为：
简单指数平滑（Simpleexponential smoothing）：不会区分季节和趋势
如果用Lt表示估计和更新水平，a[0，1]表示平滑常数（当a=0时过度平滑，当a=1时过去的数值完全影响将来）
那么我们认为Lt=aYt+(1-a)L t-1 (初始值：F1=L1=Y1)
通过转换，我们可以得出Lt=aYt+ a(1-a)Y t-1 +a(1-a)2Y t-2 +….
F t+1=Lt=L t-1 + a(Yt– L t-1) = Ft + aet
霍尔特指数平滑（holt'sexponential smoothing）
霍尔特指数平滑只有趋势没有季节或者趋势影响因素，如果是趋势影响，我们用
Yt = Level + Trend + Noise
或者
Yt = Level * Trend* Noise
Holt Winter指数平滑（HoltWinter’s exponential smoothing）
可以进行季节和趋势的预测Ft+k = Lt + KTt+ St+k-m 或者 Ft+k = (Lt + KTt)St+k-m
Level (L) : Lt=aYt/St-M+(1-a)(Lt-1+Tt-1)
Trend (T) 和Holt’s一样）： Tt=β(Lt- Lt-1) + (1- β)Tt-1
Seasonality (S) : St = γYt/ Lt + (1-γ)St-M
在运用Excel进行预估前，我们会用Solver，你可以通过菜单FileàOptionsàAdd in
找到Solver(版本不同，可能solver在data analysis里面，如果没有，你可以到微软网站下载)
加入到Excel后，在Data总目录下，你可以看到这个按钮
因为，指数平滑涉及有三个参数，这三个参数定义多少才能使误差最低，用solver可以很简单的算出来，但需要注意的是，有可能会overfitting。
录像中解释如何用excel实现指数平滑的模拟，你也可以用excel自带公式和图形进行预测，结果会有些不同。
回归有很多种，最常见最简单的是线性回归，线性回归的基本方程很简单就是一元一次方程：y = bx + a
Excel提供以下函数，用于基于回归线预测任何x的y值。
SLOPE（数组1，数值2）=所述的回归线的斜率
INTERCEPT（数组1，数值2）=如上所述的回归线的y截距
Excel 2016引入了一个新函数FORECAST.LINEAR，它等效于FORECAST的线性回归
简单的线性回归，可以直接用excel自带函数进行预测，但通常，我们的数据都是有季节性，趋势性的，所以，这个时候我们需要同时考虑季节和趋势，用相加或者相乘的模式。
那如果有多个相关变量，多重回归呢？道理是一样的。
我们可以把方程变成Y=β0+β1X1+β2X2+…+e
另外除了图形，我们可以通过计算r，判断是否两列参数相关
CORREL(array1,array2)
CORREL函数返回两个单元格区域的相关系数。使用相关系数确定两个属性之间的关系。例如，您可以检查一个位置的平均温度和空调使用情况之间的关系。越接近1或-1，越相关
也可以直接用excel的data analysis工具直接计算得出
和指数平滑一样，当回归同时有季节因素和趋势的话，我们需要把这些因素相加或者相乘得到预测：
Yt=Level+Trend+Seanality+Noise
Yt= Level*Trend*Seanality*Noise
有些参数相关是指数趋势模式，我们需要取log后，转化成一次指数平滑，再进行预测分析，然后再反log。
利用两次趋势模型（Quadratictrend model）可以相对更好对有季节性的数据进行预测
在视频的案例中，我们就是利用这一方法来获得季节和趋势，利用回归的特性来实现预测。
多重回归的方法类似，只是把时间轴换成其他的参数的变量，如果在日常预测中，我们的价格，性别，年龄等都是对销售有影响的，可以利用这些参数来观察是否有回归特性并在这个基础上得出预测值。
相关好文如下，点击即可阅读
