之前看到有人写了一篇关于再订货点ROP计算的文章，引起了激烈的讨论，很多人说，这个计算太公式化，太理想，这让我想到了一点，ROP的计算或者说很多预测的方法都是基于正态分布为前提去讨论的，但在日常的操作中有多少人会去拟合判断你的历史数据是否符合正态分布？如果不符合正态分布运用这些方法去求得的结果势必不完全符合需求。今天，咱讨论下正态分布的验证，权当娱乐。
正态分布的定义直接百度一下，网上很多，我们可以得知，正态分布通常用N(µ，σ)来表示均值µ和标准偏差σ的正态分布，μ是正态分布的平均值，而σ是标准偏差。
通俗的讲，µ 决定了曲线在X轴的位置，决定了大多数数据靠近的中心值。
σ是正态分布的扩散，通俗来讲，σ决定了曲线的胖瘦
说到正态分布，我们常听到Z score，Z是表示离开µ多少远的那个位置，我们通常会考虑离开中心位置多远的那个部分的面积，这个面积就是我们无法cover的量。这两个参数是我们计算ROP时候常用到的，我们通常说的service level就是要在正态分布曲线中cover多少面积, 而Z之外部分的面积就是我们service level无法cover的，也因此，通常通过假设检验，对比P是否小于等于0.05作为基准来验证正态分布。
正态分布永远都是中心对称的，所以基于标准的正态分布，统计结果是否符合正态分布就有了我们常用的一些偏差也是验证是否符合正态分布的方法，比如峰度，偏度。
由于许多最常见的统计检验依赖于样本或总体的正态性，因此检验基础分布是否为正态分布或至少是对称分布通常很有用。这可以通过以下方法完成：
以图形方式查看分布(通过直方图，箱形图，QQ图)
分析偏度和峰度
使用统计测试(尤其是卡方，卡莫格洛夫-史密罗诺夫，夏皮罗·威尔克，贾克·巴里，达戈斯蒂诺·皮尔森)
很多正态分布验证通过软件非常简单的就可以得到验证结果，可是我们日常工作中，特别是物料管理中，那么多物料，我们不太可能每次都用个软件去验证，很多情况连软件都没有，那怎么办？
那么是否我们可以通过物料的分类来看是否物料的消耗符合或者不符合正态分布，在实际运用中根本不需要来进行验证呢？接下来，我通过选用XYZ三种类型的物料的正态分布验证来看下结果。
首先，我没有软件，我们直接用excel，excel有data analysis插件，通过Data analysis插件可以计算出相应的值，再进行验证，另外，我们也可以用非常直观的图表去验证，这里我直接用图表的方法：
先看下三种物料原始的消耗图
这里可以很明显的看出，X类物料的波动相对较小，Y类次之
我们先将原始数据进行从小到大的排序，计算出Mean和标准差Stand deviation，画出图表，可以看出X类物料的图形比较接近正态分布，Y类次之，Z类几乎就是离散的，但是光从这个图表，我们无法肯定Y是否符合正态分布，看着也蛮像的。
我们用QQ图，对比标准的正态分布
X类物料基本是线性的，而且非常好的cover了正负两个象限，我们近似认为符合正态分布，所以对于X类物料，我们完全可以放心的运用ROP的计算公式去计算我们合理的ROP数值；
Y和Z物料完全不符合正态分布。但是如果我们对Y类物料的消耗进行加工，去掉季节等因素，如果符合正态分布，我们依然可以对其运用现有的方法进行预测和分析。
对于Z物料，几乎是离散的，预测准确性很低，受外部影响因素很大。这种物料非要设置成PTS的话，我们通常需要跟前端销售，产品经理，市场等多方洽谈，确定大概的总消耗量，或者用增加安全库存的办法去尽量cover不确定的消耗需求。
当然，这只是用了一个维度分析并不全面，我们还可以结合价格的影响，促销，业务指标等，利用回归，离散等方法综合分析，但对于日常操作来说，这样的分析消耗太多的体力，只能针对重点物料，所以物料计划，需要在分析的基础上多沟通和交流，利用ABC/XYZ的特性进行分类管理，并需要多了解更多的影响因素，帮我们更好的判断，对于一些消耗不稳定的物料，有时候可能计算的结果还不如你拍脑袋来得准。
这里我们用到了EXCEL的两个函数：
可以直接利用excel自带的正态分布函数求出正态分布图
NORM.DIST(x,mean,standard_dev,cumulative)
我们可以利用以下这个函数得出对应的Z-Scroe，然后做出QQ图形。
NORM.S.INV(probability)
这两个方法非常简单，也非常容易实现。

在数据分析中，我们经常要用Excel进行线性回归分析，其实用excel根据已知条件做线性回归方程是件很轻松的事情，接下来就说说具体方法。
回归分析法，即二元一次线性回归分析预测法
先以一个小故事开始本文的介绍。十三多年前，笔者就职于深圳F集团时，曾就做年度库存预测报告，与笔者新入职一台籍高管Edwin分别按不同的方法模拟预测下一个年度公司总存货库存。令我吃惊的是，本人以完整的数据推算做依据，做出的报告结果居然与仅入职数周，数据不齐全的Edwin制定的报告结果吻合度达到99%以上。仍清楚记得，笔者曾用得是标准的周转天数计算公式反推法，而Edwin用的正是本文重点介绍的二元一次线性回归分析法。
二元一次线性回归分析法是一种数据分析模型。
在EXCEL函数公式是FORECAST(英文意思是：预测)，其用途是根据一条线性回归拟合线返回一个预测值，此函数使用可对未来销售额、库存需求或未来数据趋势进行预测分析。
要做好库存预测须具备几个条件，首先须具备过去较长的某个时间段的完整整的数据。这里说的时间段最好是上一年度一整年或最近两年的数据。
完整的数库据指的是需要有年度对应每个月的实际库存与营收额或销货成本。
同样我们把库存预测肢解成几个关键步骤。
第一步：数据准备，依要求对EXCEL公式数据输入
先看一组实际的数据，其中蓝色字体是已知具备的数据，黄色则是需要预测的库存数据。预测库存，则至少需要具备的数据是标注蓝色三行数据。为别是：上一年度月营收，上一年度月实际库存，本年度月营收目标。可参照始下截图与视频。
第二步：依KPI目标调整预测数据
假设要求实际目标要求对总体存货周转率提升10%，则总体平均存货库存也减少10%，具体数据如下截图标注粉色行。
第三步：把总库存分解成不同物料形态的库存。这里讲的不同类别可以指的是：
物料形态分类：原材料、半成品、在制品以及成品等。
仓码分类：原材料仓、包装仓、成品仓、重要物资仓、五金仓、配件仓以及辅助物料仓等。
这里我们以第一种物料类型实例说明。须依据上年度不同物料类别占总库存的比率，再计算对应类别库存总额，如下截图。
第四：验证二无一次线性回归分析方法的准确度。
存货周转天数=((期初库存+期末库存)/2*30)/(营收*物料成本率)=(平均库存*30)/销售成本。
依公式反推预测库存，平均库存=(目标周转天数*营收*物料成本率)/30，前提需要更多的数据信息，包括物料成本率与以往的周转天数做为计划依据。
如下截图，两种不同的方法得出库存预测吻度为97%(或103%)。
企业管理中，要快速地对企业活动做出判断，需要完整的数据管理积累支撑
二元一次回归分析法做库存预测速度快，效率更高。而标准的周转天数计算预法会更准确与准确。到底应当选择哪个方法？不同的时期，不同的方法如何选择则是仁者见仁，没有对或错，只有合适与否。但有肯定的一点，那就是类似二元一次回归分析法管理工具的熟练应用，则一定对会对企业管理起到更好的帮助，在做数据调研时也是个好的选择。

之前跟大家一起分享了如何用EXCEL进行回归分析，现在跟大家一起来学习一下如何用EXCEL做时间序列分析。
在百科里，时间序列分析分析的解释是这样的：时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。而时间序列分析的作用有以下四点：
1.可以反映社会经济现象的发展变化过程，描述现象的发展状态和结果。
2.可以研究社会经济现象的发展趋势和发展速度。
3.可以探索现象发展变化的规律，对某些社会经济现象进行预测。
4.利用时间序列可以在不同地区或国家之间进行对比分析，这也是统计分析的重要方法之一
看完上面的介绍，大家是不是已经对时间序列有了一定的了解了。今天主要是跟大家分享一下时间序列分析中的一种：利用季节指数法进行预测。
当我们的时间序列数据如果具有季节性周期变化（受季节更替等因素影响，序列依一固定周期规则性的变化，又称商业循环）的时候，我们一般就会采用季节指数法来进行分析。
话不多说，我们直接进入正题，下面就是我们这次需要进行分析的数据：
这是某个企业在2015-2018之间每个季度的销售量，我们的目标是要通过现有的这些数据来预测这个企业在2019年四个季度的销售量大概是多少。
首先，我们需要知道时间序列的模型：
Y=T*S*C*I
在这个模型里，我们需要利用的季节指数就是变量S，我们先在EXCEL表里建立一张表格：
首先我们需要对现有数据里面的销售量Y进行四项平均：
做完四项平均以后，我们还需要对所得到的数进行中心平均，这样我们就能够得到TC的值：
求出TC以后我们根据公式就能得出带不规则变动的季节指数SI（SI=Y/TC）：
当我们求出SI以后，因为我们是需要得到季节指数S，所以我们需要把里面的不规则变动I去掉，所以我们还需要对SI进行处理：
上图就是我们需要去掉不规则变动I所进行的处理，我们把每个季度的SI这样放到一个新的表格中，下方的季节平均就是每个季度在四年里面的平均值：
这个时候我们在季节平均后把四个数进行求和处理：
最后我们就能够得出我们所需要的去除不规则变动I的季节指数S：
这个时候我们便完成了对季节指数S的计算，现在我们需要把求出来的季节指数放到我们最开始做的表格里面：
当我们把最重要的2015-2018年季节指数求出来了以后，我们就可以进行下一步计算了，在这道题里，我们可以使用趋势外推的方法来求表中的长期趋势T，这是完成整个预测里面重要的一个步骤，用到的就是我们昨天给大家分享的回归分析：
上图就是我们做回归分析所进行的操作，然后得出下图的结论：
回归分析的结果就不跟大家一一讲解了，昨天的文章里面都有谈到，我们从结果可以看出整个模型的效果还是挺好的，然后我们得出的回归方程为：
Y=-115.5+204.18X
这个时候我们回到最初的那个表里把长期趋势T求出来：
到这里，我们整个分析就差最后一步了，使用季节指数S以及趋势值T来对2019年的销售量Y进行预测，我们先把数据补充完整：
当我们把表格完成以后，我们需要的预测值Y就等于2019年各个季度的季节指数S*长期趋势T:
上图中黄色部分就是我们本次分析里面所预测到的2019年四个季度销售量Y的值。到这里，我们这次的分析就算全部做完了。
其实在我们工作当中，时间序列分析用到的地方特别多，今天只是跟大家介绍了如何用EXCEL进行来进行分析，在其他的数据分析工具当中，也都能够用这个模型进行分析，比如说SPSS、R、PYTHON等都是可以做这个分析的。大家在工作当中需要根据情况来选择自己合适的分析方法以及工具，才能够达到事半功倍的效果。

我们生活在大数据时代的背景之下 ，单单是我们个人每天就会产生各种各样的数据，对于企业来说，更是一样。

像之前乔布斯掌舵的苹果等，几乎每个大中型企业都有自己的ERP或者OA系统，日积月累就会帮企业存储大量的数据。

这些数据该怎么处理？如何应用这些数据产生更大的价值？

用传统的数据处理方式效率不高，而且得不到什么有用的信息，那么由此产生一个职业，就是数据分析行业，这些数据分析师将这些数据做相应的分析，得出相对应有价值的结果，然后用这些结果对未来进行预测，再将这些结果和预测等做成报表反馈给上级。

今天我们就谈一谈如果三分钟之内就能用Excel做一个简单的的报表。

现有一张如下图图1所示的员工销售业绩的数据表格，我们需要对以下数据做一些处理，让它可以作为一份报表呈现给相关的人员。



第一步：首先需要美化一下我们的表格数据，全选中所有表格中的数据，然后同时按住键盘上的Ctrl键和字母T键，出现创建表的复选框（如图2所示），然后点击确定按钮，执行结果如下图图3所示：



第二步：再次全选如图3所示的表格数据，然后同时按下键盘上Alt键和F1键，可以快速插入柱形图，执行结果如下图图4所示：



第三步：如果你需要递交报表的人想要看每位员工的销售情况，我们需要再次全选中图3的数据表格，然后点击设计，再点击插入切片器（如图5所示），然后在切片器选项卡下勾选姓名选项（如图6所示），点击确定，这样相关人员想看某一位员工的销售情况就可以点击其姓名进行查看了（结果如图7和图8所示）。









到此为止，关于员工销售情况的简单报表就制作好了，是不是很简单？快实践起来吧！

 

（1）获取更多优质内容及精彩资讯，可前往：https://www.cda.cn/?seo

（2）了解更多数据领域的优质课程：