每个人都会有机会进行数据展示，为什么别人展示永远获得正视，而我的展示永远只有自己愿意去看，别人在看手机？那怎样做数据图表分析呢请看以下步骤：

如何对表格进行修饰，本次小编带来两个技巧，一是使用“套用表格格式”，和使用“条件格式”。二是带领大家学会养成修饰表格的思维。

第一步是对表格进行粗略的修饰调整，思维：行高、列宽、对齐方式、表格线等；

使用“套用表格格式”、“条件格式”之后看数据不再枯燥无味，而且还更有看头。“条件格式”可以将筛选条件转换为颜色可视化，从而达到一目了然的效果。

第一个技巧，①“套用表格格式”。方法：任一单元格→开始→套用表格格式。

②“条件格式”，方法：选中单元格区域→开始→条件格式。

条件1：高于平均值

条件2：数据条

条件3：色阶

第二个技巧：养成修饰图表的思维。这次举例柱形图的修饰例子，其他希望大家动用类似的方法进行模拟实践。

步骤一：根据销售数据建立柱状图，建立方法可参考。选择数据源→插入→柱状图→选择数据源→编辑坐标

步骤二：添加辅助线。选择数据源→→添加→点击柱体右键，设置数据系列格式→次坐标轴→选中柱体，右键更改图表类型→折线图。

希望回答对你能有所帮助，如果觉得不错就来点个赞或关注吧，感谢各位了！

1、一列数据同时除以10000

复制10000所在单元格，选取数据区域 - 选择粘性粘贴 - 除

2、同时冻结第1行和第1列

选取第一列和第一行交汇处的墙角位置B2，窗口 - 冻结窗格

3、快速把公式转换为值

选取公式区域 - 按右键向右拖一下再拖回来 - 选取只保留数值。

4、显示指定区域所有公式

查找 = 替换为“ =”（空格+=号） ，即可显示工作表中所有公式

5、同时编辑所有工作表

全选工作表，直接编辑，会更新到所有工作表。

6、删除重复值

选取数据区域 - 数据 - 删除重复值

7、显示重复值

选取数据区域 - 开始 - 条件格式 - 显示规则 - 重复值

8、把文本型数字转换成数值型

选取文本数字区域，打开左上角单元格的绿三角，选取 转换为数值

9、隐藏单元格内容

选取要隐藏的区域 - 设置单元格格式 - 数字 - 自定义 - 输入三个分号;;;

10、给excel文件添加密码

文件 - 信息 - 保护工作簿 - 用密码进行加密

11、给单元格区域添加密码

审阅 - 允许用户编辑区域 - 添加区域和设置密码

12、把多个单元格内容粘贴一个单元格

复制区域 - 打开剪贴板 - 选取某个单元格 - 在编辑栏中点击剪贴板中复制的内容

13、同时查看一个excel文件的两个工作表

视图 - 新建窗口 - 全部重排

14、输入分数

先后输入 0 ，再输入 空格， 再输入分数即可

15、强制换行

在文字后按alt+回车键即可换到下一行

16、删除空行

选取A列 - Ctrl+g打开定位窗口 - 定位条件：空值 - 整行删除

17、隔行插入空行

在数据表旁拖动复制1~N，然后再复制序号到下面，然后按序号列排序即可。

18、快速查找工作表

在进度条右键菜单中选取要找的工作表即可。

19、快速筛选

右键菜单中 - 筛选 - 按所选单元格值进行筛选

20、让PPT的图表随excel同步更新

复制excel中的图表 - 在PPT界面中 - 选择性粘贴 - 粘贴链接

21、隐藏公式

选取公式所在区域 - 设置单元格格式 - 保护：选取隐藏 - 保护工作表

22、行高按厘米设置

点右下角“页面布局”按钮，行高单位即可厘米

23、复制时保护行高列宽不变

整行选取复制，粘贴后选取“保持列宽。

24、输入以0开始的数字或超过15位的长数字

先输入单引号，然后再输入数字。或先设置格式为文本再输入。

25、全部显示超过11的长数字

选数区域 - 设置单元格格式 - 自定义 - 输入0

26、快速调整列宽

选取多列，双击边线即可自动调整适合的列宽

27、图表快速添加新系列

复制 - 粘贴，即可给图表添加新的系列

28、设置大于72磅的字体

excel里的最大字并不是72磅，而是409磅。你只需要输入数字即可。

29、设置标题行打印

页面设置 - 工作表 - 顶端标题行

30、不打印错误值

页面设置 - 工作表 - 错误值打印为：空

31、隐藏0值

文件 - 选项 - 高级 - 去掉“显在具有零值的单元格中显示零”

32、设置新建文件的字体和字号

文件 - 选项 - 常规 - 新建工作簿时....

33、快速查看函数帮助

在公式中点击下面显示的函数名称，即可打开该函数的帮助页面。

34、加快excel文件打开速度

如果文件公式过多，在关闭时设置为手动，打开时会更快。

35、按行排序

在排序界面，点击选项，选中按行排序

36、设置可以打印的背景图片

在页眉中插入图片即要

来源：网络整理

百家号-【袁帅数据分析运营】运营者：袁帅，会展业信息化、数字化领域专家。新社汇平台联合创始人，永洪数据科学研究院MVP。认证数据分析师、网络营销师、SEM搜索引擎营销师、SEO工程师、中国电子商务职业经理人。畅销书《互联网销售宝典》联合出品人。

前面对时间序列的预测方法做了简单的介绍，

其中反复提到的数据分析工具--回归

回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

今天就通过一组数据，来演示一下回归工具的使用方法：

第一种：线性回归

时间做为自变量，销量为因变量

按步骤选择好，按确定，会自动输出结果：

这个结果，大家可以研究一下，统计学的相关指标里面都有

我们关注两点：

R Square：的值越大，这个这条回归线越贴合实际值

Intercept：回归线与Y轴的交点

X Variable 1：系数

方程式就是这样的：Y=Intercept+X Variable 1*TIME

第二种：非线性回归

我们学过的一元多次方程

把时间变量，平方、立方列出来，做自变量

我们得到的结果就多了几个系数：

第三种：多元回归

时间、汽车产量作为自变量

第四种：自回归

把汽车销量滞后一期作为自变量

最后我们来看看成果

多元回归的R Square值是最大的，多元回归的曲线与实际销量曲线最为贴合

也说明，汽车产量与销量高度相关。

说在最后：今年汽车销售市场应该说不景气，到了增长的拐点。

数据分析只是根据历史数据做的一个判断

然而，市场环境恶化，经济下行等宏观因素，对未来的汽车销售的影响巨大

在有宏观环境因素变化时，就要谨慎使用历史数据

在平稳运行时，依靠数据预测更为准确。

这年头，不会点数据分析，都不好意思投简历找工作。

可是说起来容易做起来难，数据分析究竟是什么鬼？

不会HPCC也不会Hadoop，只会Excel可以吗？——答案是，可以！

对于非科班出身的人来说，Excel就是最接地气的数据分析工具。Excel中有自带的数据分析工具箱，只不过默认情况下，这个工具箱不在菜单栏中，要自己把它找出来哦。

在Excel工具箱中有多个数据分析，有相关系数、协方差、指数平滑等。看到这些名称先别晕，其实这些工具的使用方法很简单。不信？那么今天就来看看，如何通过相关系数分析，找出影响销量下降的原因。

第1步：在Excel表格中输入数据。例如你怀疑影响销量的原因可能有售价、客流量、促销折扣，但是不知道究竟哪个原因是罪魁祸首。

第2步：现在需要调出数据分析工具箱。如下图所示，单击【文件】菜单中 的【选项】选项。

第3步：在【加载项】菜单中选择【Excel加载项】，然后单击【转到】按钮。

第4步：选择【分析工具库】选项，单击【确定】按钮。此时就成功将分析工具添加到菜单栏中了。

第5步：单击【数据】选项卡下的【数据分析】按钮，这就是前面步骤中添加的数据分析工具库。

第6步：选择【相关系数】分析工具，单击【确定】按钮。

第7步：在【相关系数】对话框中设置数据区域。在【输入区域】中选择表格中的所有数据区域，分组方式为【逐列】，因为表格中，每一列为一组数据。选择【标志位于第一行】，这样分析结果中才会有标题字段。设置一个输出区域，例如选择G2单元格，表示要将输出结果放到G2单元格开头的单元格中。

第8步：此时就可以查看分析结果了。因为我们需要判断影响销量的因为，所以只需要在I列中，看销量与其他因素的相关系数值就可以了。负数表示负相关，正数表示正相关，正数正大和负数越小都表示相关系数很大。

例如在下图中，销量与促销折扣的相关程度是最大的，为-0.763，说明折扣是影响售价的最大因素。此外第二个因素是售价，为-0.3389。

虽然今天的案例比较简单，但是使用相关系数工具的思路却可以用到其他复杂的案例上。大家只要将各因素的数据列出来，使用相关系数分析，找到相关系数最大或最小的那个值就可以了。

excel进行显著性检验的方法与步骤：
1.先找ADD-IN,添加数据分析工具data analysis tool。 Add-in的选项在File-> Option->Add Ins, 选择analysis tool pack。

2.会跳出来一个窗口，再选中analysis tookpack ,确定就好了。
3.把得到的两组数据输入EXCEL里。
4.在DATA里面，选择data analysis,跳出来新窗口，选中correlation（相关性）。然后按照提示，选中要分析的数据。

5.EXCEL会自动运行回归分析，给出分析报告。分析报告里mutiple R 接近1，就说明两个的相关性比较大。拟合关系要看R2，显著性看signifnance F。

（本文内容由百度知道网友茗童贡献）

大家好，我是牧野，在纽约的一家app公司做数据处理。

今天和大家分享一个很常见的小问题，如何用excel中的公式来计算出每月/每年所需要的日期出现了几次。

在计算这个的时候一般为了干净起见，我会新开一个空白的表格，然后将所需要的数据放在左侧，如下图三栏，date,fruit,amount.

然后在右侧建立一个新的小表格，开头写成Year(年), Month(月）, Count(计数).在这里年输入格式为2013，如果是1月这里我们就写1即可。

接下来就要重点介绍我们的函数了--SUMPRODUCT

在图示中的例子中，我们想要计算出在A列第2行到第24行中2013年1月出现的次数是多少，这时我们用的函数具体写为：

=SUMPRODUCT((MONTH($A$2:$A$24)=F2)*(YEAR($A$2:$A$24)=$E$2))

其中我们要注意的是：

1. A列第2行到第24行我们采用了绝对引用---$A$2:$A$24

2. 年和月的连接处我们用的是乘号*

3.我们对2013年这个在E2格的数据也采用了绝对引用$E$2

4.我们想要计算其他月份的时候就把鼠标拖到表格的右下角，看到加号之后就进行拖拽。

最后就会像上图一样做好啦~

通过这个办法我们可以计算出月度新增用户数量，月度用户进行预约的次数，适合分析用户增长情况。

又是一年实习季......

很多优秀的金融小伙伴已经陆陆续续进入了各大券商实习，希望施展拳脚，争取留用机会。

最近接到几位朋友的倾诉：

“工作后发现，很多之前听过基础的办公软件，偷懒没学，没想到工作中经常需要用到，然而自己却用的不溜，有些甚至一点不会......”“像数据分析工具，基本从事券商行业都得用，可是老员工一般都比较忙，根本没时间教，只能自己毫无效率的一点一点摸索，唉......”“一起进去实习的有一位，因为提前学习了相关的技能，既会excel数据分析，又会用VBA编程，各种自动化操作，领导一直夸赞，感觉自己留用无望了......”

听完之后，小编迅速打开招聘网站，果然...... 大部分券商投行等岗位招聘要求是这样的：

毫无疑问，快速搜集、处理大量金融数据并形成客户和老板想要的结果，是每一个金融从业者都必须具备的核心技能。数据的收集处理能力和财务分析能力一样，构成了金融大咖们的两大核心竞争力。

因此，对于游走在业绩分析会与路演会间隙做相关数据报告的资深金融人来说，会数据分析尤为重要。

除此之外

金融人的工作里头还有大量的Excel表格需要处理，而且需要做的非常高端上档次。因为这样，领导拿出去用，才倍儿有面儿！

像这样......

这样......

因此，花极少的时间，就掌握一门高大上的数据可视化技能，非Excel数据分析不可！这也是金融人士应该掌握的技能。

还没结束......

仅简单的Excel技能还不足以满足金融人士的处理需求，在很多条件下，高阶函数和Excel VBA才是制胜王道。如何使用Excel胜任批量操作、处理复杂函数甚至自定义Excel选项卡，是投行大咖的基本标配，也是金融人士的进阶技能——Excel VBA。

Excel VBA批处理起来，效率那叫一个快！主要用于处理Wind终端导出来的数据，学起来比较简单，属于金融从业者性价比最高的技能之一。

还可以自动制做可视化图表，批量整理各种数据......

回归线Excel，致力于为客户提供基于Excel的解决方案。帮助客户提高Excel应用水平，扩展Excel应用能力，改进工作效率，对数据收集，数据清洗，数据分析，数据展现等都有非常直接的经验和方法。

HI~!最近过得好吗？零一可是忙死了，呵呵。今天继续跟大家分享。

上次跟大家说过数据分析的4个任务，今天讲第一个任务，预测。

预测这个任务在很多场景可以应用到。比如

预测某行业未来的市场走势

预测买家会不会响应我们的营销主张

预测股票走势/预测福利彩票开奖号码

预测我们自己的体重/身高

大家可以发现，无论是商业还是生活都可以应用到，作为一名【业务】数据分析师而言（以下简称数据分析师，但特指业务数据分析师），当然不会什么事情都去做分析，那么，是什么因素决定了我们要去做分析呢？

答案是【商业价值】。

作为一名数据分析师应该以【商业价值】作为导向，我们的分析产生了商业价值，那么我们作为一名数据分析师才能有相应的价值。数据分析师的身价也因此而来。

数据分析师必不可少的4要素是

【思维】+【业务】+【工具】+【数据】

【思维】指分析思维，大家可以发现我正在一点一滴地传播给大家。

【业务】指业务能力，只有深入了解企业或者我们自己的业务需求，才能【点数成金】，如果今天我不小心请了一个完全不懂电商的数据分析师来帮我分析，那结果是堪忧的。因为他可能不知道什么是UV,什么是PV，什么是ROI，什么是直通车/钻展。

如果把数据分析师比喻成剑客，那【思维】和【业务】就是这个剑客的任督二脉了。

【工具】古人有云：工欲善其事，必先利其器，有工具才能高效、精准地做出分析。【工具】就像剑客手中的宝剑一样。

【数据】数据分析师手里没有数据，也就不存在数据分析师了。【数据】就像剑客身体中的血液，连血液都木有，就活不下去了。

在Excel中，结合数据挖掘套件，可以非常简单地完成【预测】这个任务。

虽然鼠标点几下就可以完成【预测】，但是做【预测】的方法有好几种，分别是在不同的情况下应用的。如果用错了方法，可能程序就会报错。哪怕不报错，出来的结果也可能是差强人意的。

具体用哪种方法，我们根据的是什么呢？

答案是【数据类型】

数据分成3种类型，当然你们去看一些数据分析、数据挖掘的书籍里面的分法可能会跟我的不一样。

【数据类型】分为【定量】，【定性】和【时间序列】。

【定量】就是我们的数字，1,2,3,4,5,6,7,8,9,0组成的数值，当数据是这种数值的时候，我们就可以把他归类为【定量】数据类型。

【定性】一般是字符型的数据，比如，中文、英文就是一种字符型的数据。

【时间序列】跟定量非常接近，但不同的就是时间序列是时间格式的数据，那么我们看下电脑系统的时间，就是时间格式的数据，称之为【时间序列】。

对应的分析方法（不局限以下方法）

【定量】-【线性回归】

【定性】-【逻辑回归】

【时间序列】-【时间序列预测】

怎么选择就看我们要预测的维度，是根据哪种数据的变化来预测的。

比如，我们已知时间和销量，要预测未来的销量。只要维度里面有一个维度是时间，就应该选择【时间序列预测】。

如果已知高质宝贝数和成交量，要根据高质宝贝数啦预测成交量，就是通过【定量】预测【定量】，因而选择【线性回归】。

如果已知买家的地域，下单金额和购买件数，来预测买家会不会响应我的促销活动，我们预测的就是买家是否会重复购买，那就是会或不会的问题，是通过【定量】预测【定性】，类似这种预测结果是A或B或C……这种分类情况，就应该选择【逻辑回归】

下面3个例子来帮助大家掌握【预测】

1、已知时间和成交量，要预测未来几个月的成交量

源数据如下

源数据挺多，仅截图一部分。

源数据可以是表也可以是我们选择的区域也是可以外部数据源，这里我们直接在表内选择数据区域。

时间戳会自动识别，前提是数据必须是日期格式的。（excel里面时间序列是日期格式）

查看模型结果

可以指定要预测多少个单位时间。

可以看到使用的是ARIMA算法，其实算法我们还可以在建立模型的时候进行设置，这里不解释太多。

模型建立后，可以用查询工具

结果如下图所示，给出时间戳、预测的成交量和标准偏差。

2、手上有高质宝贝数和成交量两个数据，假如现在已知未来几个月的高质宝贝数，通过这个来预测成交量。

数据源如下

参数中，我们可以选择算法还可以配置参数，这里我们选择线性回归即可，参数不解释。

定性集（国内翻译叫训练集）和测试集是数据挖掘中非常重要的一个概念。也是别于统计学的一个思想。统计学中是用统计方法来检验模型是否靠谱，而数据挖掘中，是将数据源拆分成两部分，一部分用来建立模型，这一部分数据称之为训练集。另一部分在模型建立后，回代入模型中，进行测试，看模型的准确率有高，这一部分数据称之为测试集。现在数据量很少，而且作为示例，可以把测试集的百分比设置为0，也就是不拆分数据，将所有的数据都用在建立模型上面。

在模型的窗口中会看到回归方程，如果不懂回归方程的，可以找一本高等数学的教材看看或者直接度娘。

打开查询工具，让模型做出预测。

下图中看到的高质宝贝数是已知条件，已知高质宝贝数，但成交量未知，这时模型会做出预测。

predict是预测的意思。这里是添加预测值作为输出。

输出结果如下，输出 1这个字段就是模型预测出来的结果。

3、手头上有历史买家订单数据，买家的地域，下单金额和购买件数（只要处理下源数据，就可以得到是否重复购买这个数据，1表示会重复购买，0表示不会）

模型浏览中可以看到会重复购买的买家的特性，和不会重复购买的买家的特性。

假设下面是新的买家数据，那么我们要来预测下，这4位新的买家是否会重复购买，成为回头客。

结果如下，模型判定只有王六会重复购买。

第三个例子中有非常严重的问题，就是数据源太少，这里仅作为示例，数据源太少是做数据分析的一个大忌（当然某些时候不是）

文中用到的工具下载地址和教程： https://pan.baidu/s/1yzGzZKiQq7zj18QLKx1ZIQ

最近几天，不断有小伙伴在后台问到使用excel做数据分析的相关问题，今天，数据君（ID：shendufenxi）就为大家推送一篇实用技巧。

高级的数据分析会涉及回归分析、方差分析和T检验等方法，不要看这些内容貌似跟日常工作毫无关系，其实往高处走，MBA的课程也是包含这些内容的，所以早学晚学都得学，干脆就提前了解吧，请查看以下内容。

在使用之前，首先得安装Excel的数据分析功能，默认情况下，Excel是没有安装这个扩展功能的，安装如下所示：

1）鼠标悬浮在Office按钮上，然后点击【Excel选项】：

2）找到【加载项】，在管理板块选择【Excel加载项】,然后点击【转到】：

3）选择【分析工具库】，点击【确定】：

4）安装完后，就可以【数据】板块看到【数据分析】功能，如下所示：

安装完后，首先来了解一下回归分析的内容。

回归分析

在详细进行回归分析之前，首先要理解什么叫回归？

实际上，回归这种现象最早由英国生物统计学家高尔顿在研究父母亲和子女的遗传特性时所发现的 一种有趣的现象：身高这种遗传特性表现出”高个子父母，其后代身高也高于平均身高；但不见得比其父母更高，到一定程度后会往平均身高方向发生’回归’”。

这种效应被称为”趋中回归”。现在的回归分析则多半指源于高尔顿工作的那样一整套建立变量间的数量关系模型的方法和程序。 这里的自变量是父母的身高，因变量是子女的身高。

百度百科对于回归分析的定义是: 回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛：

1）回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；

2）按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

这里举个电商的例子：电子商务的转换率是一定的，网站访问数一般正比对应于销售收入，现在要建立不同访问数情况下对应销售的标准曲线，用来预测搞活动时的销售收入，如下所示：

1、利用散点图描绘图形：

2. 添加趋势线，并且显示回归分析的公式和R平方值：

从图得知，R平方值=0.9995，趋势线趋同于一条直线，公式是：y=0.01028x-27.424

R 平方值是介于 0 和 1 之间的数字，当趋势线的 R 平方值为 1 或者接近 1 时，趋势线最可靠。因为R2 >0.99，所以这是一个线性特征非常明显的数值，说明拟合直线能够以大于99.99%地解释、涵盖了实际数据，具有很好的一般性, 能够起到很好的预测作用。

3. 使用Excel的数据分析功能

1）点击【数据分析】，在弹出的选择框中选择【回归】，然后点击【确定】：

2）【X值输入区域】选择访问数的单元格，【Y值输入区域】选择销售额的单元格，同时勾选如下所示的选项，包括残差、标准残差、残差图、线性拟合图和正态概率图。

3）以下内容是残差和标准残差：

4）以下是残差图：

残差图是有关于实际值与预测值之间差距的图表，如果残差图中的散点在中轴上下两侧分布，那么拟合直线就是合理的，说明预测有时多些，有时少些，总体来说是符合趋势的，但如果都在上侧或者下侧就不行了，这样有倾向性，需要重新处理。

5）以下是线性拟合图

在线性拟合图中可以看到，除了实际的数据点，还有经过拟和处理的预测数据点，这些参数在以上的表格中也有显示。

6）以下是正态概率图

正态概率图一般用于检查一组数据是否服从正态分布，是实际数值和正态分布数据之间的函数关系散点图，如果这组数值服从正态分布，正态概率图将是一条直线。回归分析不一定得符合正态分布，这里只是仅仅把它描绘出来而已。

以上数据表格和图表都说明公式y=0.01028x-27.424是一个值得信赖的预测曲线，假设搞活动时流量有50万访问数的话，那么预测销售将是51373，如下图所示：

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。