Vorhersageanalyse in Excel: Prognose und Regression

1. EINFÜHRUNG: Hallo, mein Name ist Ruben, und in dieser Klasse werden wir in Excel in Prognosen und Regression eintauchen. In dieser Klasse lehre ich Ihnen, wie Sie Excel verwenden können, um Daten wie Ihren Lagerbestand, Ihre Verkäufe oder andere Finanzdaten mit Excel zu prognostizieren . Wir werden auch die Regression übergehen, oder wir können uns zum Beispiel ansehen, was Ihre Verkäufe antreibt, was Ihren Lagerbestand antreibt. Ich habe meine Erfahrung mit Excel gesammelt, verschiedenen großen Organisationen wie ING Bank, Pfizer, wo ich Menschen geholfen habe und Menschen beigebracht habe, wie sie bessere Entscheidungen mit Excel treffen können. Bevor wir also in dieses Glas eintauchen, ist es gut zu wissen, dass dieses Glas erfordert, dass Sie ein wenig wissen, wie Excel funktioniert. Als würden wir nicht wirklich in grundlegende Formeln eintauchen, aber es wird auch keine Wissenschaft sein. Sie müssen kein Mathematiker sein, um die Formeln zu verstehen, die wir anwenden. Wir werden es hauptsächlich aus praktischer Sicht betrachten. So können Sie mit der Prognose Ihrer Daten beginnen. Außerdem denke ich, es wird eine gute Idee sein, wenn Sie sicherstellen, dass Sie Excel 2016 haben. Da nicht alle Formeln in dieser Klasse in älteren Versionen in Excel verfügbar sind. Ich hoffe, Sie werden genauso begeistert wie ich es bin, in das Thema einzutauchen und in diese quantitativen Prognosefunktionen einzutauchen , die in Excel nicht sehr bekannt waren. Also hoffe ich, ich sehe Sie im nächsten Video, wo wir über den Umriss und das Projekt dieser Klasse gehen werden . Vielen Dank. 2. Class & Projekt: Hallo und willkommen zu dem Video, wo wir in die Klassenübersicht und die Projektbeschreibung unsererKlasse Predictive Analysis in Excel schauen und die Projektbeschreibung unserer , Prognose Regression. Unsere Klasse wird also, wie der Titel sagt, im Grunde in Teile aufgeteilt sein. Wir werden über Prognosen sprechen und wir werden über Regression sprechen. Und deshalb beginnen wir mit einer Einführung in die Prognosen und diese Klasse. Der Hauptzweck dieser Klasse ist es, jene Funktionen zu machen , die nicht ein wenig einschüchternd wirken können, insbesondere Regression, um es leicht zu verstehen, ohne notwendigerweise ein Experte für Statistik zu sein. Es wird Ihnen helfen, die Klasse besser zu verstehen, wenn Sie ein oder zwei Dinge über Statistiken wissen. Aber mein Ziel ist, dass, selbst wenn Sie es nicht tun, Sie werden immer noch in der Lage sein, diese Werkzeuge zu verwenden, nachdem Sie dieses Glas beobachtet haben. Die erste Funktion, in die wir eintauchen werden, ist die lineare Vorhersage. Die zweite wird saisonale und exponentielle Prognosen sein. Oder wir werden wiederkehrende Muster und ein wenig fortgeschrittenere Prognosen diskutieren. Und dann berechnen wir das Konfidenzintervall. Basierend auf einem Prozentsatz der Sicherheit werden wir unseren schlimmsten Fall und unser Best-Case-Szenario von uns selbst Prognosen geben. In Nummer 234 wird es praxisnah in Excel eintauchen und Ihnen zeigen, wie diese Funktionen ausgeführt werden. Und in der ersten Klasse werde ich nur ein paar der Grundlagen erklären, oder zwei Minuten über Prognosen. Und dann wird der zweite Teil Regression sein. Also wieder in dieser Klasse und es ist Video-Einführung in die Regression wird untersuchen was sind die Dinge in Tools und Handles, die Sie wissen müssen, bevor in Excel tauchen und eine Regression selbst durchführen. Also werden wir im Grunde darüber sprechen, was es bedeutet, eine Regressionsanalyse zu machen und die Nafta, dieses Video, wir tauchen in Excel und wir werden selbst eine Regressionsanalyse durchführen. In diesem Video erläutern wir auch, wie Sie die Ergebnisse Ihrer Regressionsanalyse interpretieren. Nachdem wir Video sechs gemacht haben, werden wir in unsere Projektüberprüfung gehen. Nach dieser Liste, nach dem Gespräch über die Klasse wird in diesem Video zum Projekt gehen und was es bedeutet. Und dann wird V0 das Optimale sein. Und ich werde zu den Klassenprojekten kommen. Das Klassenprojekt wird also eine Prognose und Analyse unserer Verkaufsdaten sein. Und es wird ein Bericht sein, den Sie dem höheren Management Ihres Unternehmens geben werden, einschließlich der Wahl zwischen den linearen oder saisonalen Funktionen, um die kommenden Jahre von Verkaufsdaten zu prognostizieren. Alle diese Aufgaben für ein Klassenprojekt werden auch in unseren vorherigen Lektionen behandelt. Also vor weniger als sieben, sollten Sie das ganze Know-how haben, um die nächsten vier Themen durchzuführen. Die zweite ist also die Berechnung der Konfidenzintervalle in Ihrer Prognose. Drittens hat das Projekt einige zusätzliche Daten gegeben, die möglicherweise Einfluss auf unsere Verkäufe haben könnten. Und deshalb wird es an Ihnen liegen zu sehen, ob Sie herausfinden können, welche Variablen, welche unabhängigen Variablen unsere Verkäufe beeinflussen. Und N4, ich habe beigefügt, ich werde Ihnen das in ein wenig zeigen. Excel -Datei, oder Sie können Ihre Ergebnisse in einem schönen Bericht präsentieren und einige zusätzliche Schlüsselmetriken mit ihm geben. Also werden wir zwei Dateien verwenden. Eine Datei, die ein anderer Datensatz ist, den ich für die Klassen verwenden werde. Ich werde diese auch hochladen, damit Sie überprüfen können, wie ich das gemacht habe. Und der andere wird für das Projekt sein. Und es enthält Daten und eine Vorlage, die Sie für Zuweisungen verwenden werden. Lassen Sie uns also in die Datei eintauchen, die wir für das Projekt verwenden werden. Okay, das ist also die Excel -Datei, aber wir werden für unser Projekt verwenden. Also genau hier finden Sie die Anweisungen. Und wir werden diese Gliederung verwenden, um Diagramme zu füllen , die wir für unsere Analyse benötigen werden. Also werden wir nicht nur die Beta berechnen sonst werden sie in die Diagramme umwandeln. Und diese Diagramme werden wir auf diese Felder setzen. Und dann, genau hier, werden wir einige zusätzliche Regressionsdaten haben. Wir werden unsere Tour-Regressionsanalyse bewerten. Und die Daten, die wir hier eintragen können. Lassen Sie mich Ihnen also schnell die Rohdaten zeigen. Dies ist ein Stab Daten, die wir verwenden. Und das ist eine Art Home Depot Art Geschäft mit Dichtungen Einträge. Hier haben wir also die Verkäufe, den Gewinnmengenrabatt und einige andere Daten, die wir nicht alle Daten verwenden werden. Das Wichtigste ist irgendwie Verkauf, Bestellung, Datum und Rabatt. Und ich habe schon, du musst nichts mit den Rohdaten machen. Ich habe hier bereits die Daten für Sie zusammengefasst. Also pro Monat können wir sehen, zwei Verkäufe gemeldet. Ihr Ziel ist es, die Umsatzprognosen hinzuzufügen, dass das Konfidenzintervall, die untere Grenze und die obere Grenze. Und auch, um dies in die Grafik zu übersetzen, die wir hier sehen. Und dann für die Datenanalyse wird die Regression dasselbe haben. Also haben wir bereits die Daten. Sie müssen keine Daten mehr beziehen. Ihr Ziel ist es, die Regressionsanalyse direkt hier durchzuführen. Und dann konvertieren Sie auch diese Regressionsanalyse mit den Daten, die wir hier in den entsprechenden Diagrammen haben , die wir schließlich kopieren und einfügen und in unseren Anweisungsschritt einfügen können . Bitte lesen Sie die Beschreibungen pro Diagramm, was wir zur Verfügung stellen müssen, um die richtige Darstellung dessen zu geben , was wir suchen, ein, was wir sagen wollen. Und die Unternehmen stellen das Management ein. Und genau hier können Sie bis zur Regressionsanalyse ausfüllen. Also wieder, alles hat eine Beschreibung. Ich habe Ihnen mit einigen Tipps und Tricks geholfen, um diese Vorlage für die Unternehmen Mietmanagement zu erstellen. Und ich wünsche Ihnen viel Glück mit dem Projekt. Ich wünsche Ihnen viel Glück mit den nächsten sieben Videos zur Prognose, Fehler- und Regressionsanalyse und zum Reporting. Und falls Sie Fragen haben, zögern Sie nicht, die Fragen unten auf diesem Patienten Skill Share zu hinterlassen. Und ich werde dir so schnell wie möglich helfen. Viel Glück mit den Klassen. 3. Einführung in die Prognose: Also, bevor wir in die Anwendung unserer Prognose-Technik in Excel eintauchen, möchte ich Reetu kurz erläutern, was die verschiedenen Definitionen in der Prognose sind. Also in diesem Video werden wir darauf eingehen. Und das, was Prognosen tatsächlich trifft. Prognosen ist also der Prozess der Prognosen für die Zukunft und Vergangenheit und Gegenwart Daten zu machen . Am häufigsten durch Analyse von Trends. Das bedeutet, dass wir in verschiedenen Epen Transfer schauen können in linearen Trends und, und saisonale Trends. Und einige Branchenbeispiele sind für das Marketing. Prognosen. Die Nachfrage und das Angebot sind oft sehr saisonal. Eigenschaften. Denken Sie darüber nach, dass ein Eisdiele imSommer mehr Inventar für Eiskaufen muss Sommer mehr Inventar für Eis weil mehr Leute essen Eis gehen in den Winter, niedrigere Inventar. Sie können wirklich von Prognose-Techniken profitieren , um zu entscheiden, wie viel Eis sie kaufen sollten. Für die Finanzabteilung könnte es eine große sein, um Umsatz oder Umsatz vorherzusagen, die richtigen Budgets für abgeleitete Zwecke zuzuordnen und eine Marktanalyse zu machen, zum Beispiel für Finanzen, die stärker beteiligt sind an den Aktienmärkten an unseren Finanzmärkten. Und dann HR, Sie können es für die Planung verwenden. Und wie viele Menschen müssen Sie auf MDL Büro setzen, werden auf dem Arbeitsgelände gestellt. Sie können Abwesenheit, Produktivität vorhersagen. All diese Dinge müssen an bestimmte Trends gebunden werden. Und noch einmal möchte ich betonen, dass wir bei der Prognose den quantitativen Teil der Vorhersage und Vorhersage unserer Daten betrachten werden. Aber jeder Trent hat auch einen qualitativen Teil dazu. Und so müssen wir auch wissen, dass ich nicht nur blind für unsere quantitativen Prognosen bin. Es hilft Ihnen immer, zu untersuchen und zu erforschen, warum bestimmte Trends passieren. Und das kann Ihre Prognosen optimieren. Dann kommen wir zu linear gegen exponentiell. Linear ist eine sehr einfache Möglichkeit der Prognosen. Es dauert im Grunde die durchschnittliche Wachstumsrate und Sie werden diese Wachstumsrate in die Zukunft erweitern. Also, wenn ich heute ein Eis verkaufe, morgen verkaufe ich an Eisdiele in zwei Tagen, werde ich drei Eis verkaufen. Das ist im Grunde linear. Exponential ist fortgeschrittener und es gibt Funktionen in Excel, die komplizierte Formeln verwenden, die Detektiv hat, gibt es eine saisonale Trends, um es. Also für wiederkehrende Better, wie wir mit den Eisverkäufen gesagt haben, ist dies eine großartige Möglichkeit, Ihre, Ihre Daten vorherzusagen und außerdem wird es auch Abweichungen glätten. Wenn es also bestimmte Spikes gibt, die wir in den anderen wiederkehrenden Mustern nicht sehen , wird es es aus der Vorhersage auslassen und versucht, Ihnen die genaueste bei exponentieller oder saisonaler Vorhersage möglich zu geben . Es gibt also ein paar Funktionen zu verwenden. Für die erste ist prognostizierte oder prognostizierte Punkt linear. Ich habe empfohlen, die Prognose von NINR zu verwenden, ist im Grunde eher ein Kompatibilitätsproblem. Die älteren Excels verwenden Prognosen und neuere Excel Schule verwenden Prognosen oder lineare Prognose Punkt ETS prognostiziert Ihre, Ihre Werte aus den Chirurgen Monate in der Zukunft basierend auf den Trends oder Mustern. Dann prognostizieren Punkt ETS, Punkt Saisonalität wird schauen, wird uns geben, gibt uns die Länge des Musters zurück. So haben wir jedes Jahr eine Spitze von Umsatz oder eine Spitze von Beta. Saisonalität wird uns nahe Schritte für abhängige durch wiederkehrende Prognosekonfidenzintervall geben. Das ist etwas, das wir auch in Videos diskutieren werden. Dies hilft Ihnen, ein Intervall zu erstellen, also eine untere und obere Grenze, wie sicher wir sein können, dass unsere Prognose zwischen dieser unteren und oberen Grenze liegen wird. Es geht immer mit einem Konfidenzniveau, das im Standardfall 95% ist. Wir können also mit 95% Sicherheit basierend auf den bisherigen Daten sagen, unsere zukünftigen Daten zwischen einem bestimmten Intervall liegen werden. Und zuletzt, dies ist eine fortgeschrittenere, die wir in dieser Klasse und ihrem Prognosepunkt ETS Darmstadt nicht diskutieren werden . Und dies wird Ihnen eine der erforderlichen sind eine der bevorzugten Rückgabemetriken. Also, wenn wir die Alpha, Beta, Gamma wissen wollen, können wir diese oder noch fortgeschrittenere MAC S MAP, MAE oder RMSE oder Schrittgröße bekommen . Aber wie gesagt, dies sind hoch fortgeschrittene und komplizierte statistische Metriken bei, und wieder, dieser Zweck dieses Videos ist es, zu einigen Tools zu bekommen, Menschen für Leute im Amt, für Menschen im Geschäft und unnötig statistische Experimente. Also werden wir uns in das eintauchen. In Ordnung, das war es also für dieses Video. In den nächsten drei Videos werden wir eintauchen, wie Sie tatsächlich Daten prognostizieren können. Also sind wir eigentlich irgendwie auf den spannenden Teil der Anwendung all diese Fordham und uns zu bekommen, nicht alle diese, aber die meisten dieser Formeln und Techniken, die wir in diesem Video diskutiert haben. Und ich sehe dich hoffentlich im nächsten Video. 4. Vorhersage: Linear: Hallo und herzlich willkommen bei der Hörenarbeit. Wir werden damit beginnen, unsere Prognoseformeln zu erstellen. Also direkt vor mir, ich habe r Beta-Blatt. Und in unserem Datenblatt haben wir Einheiten von zwei verschiedenen Arten von Produkten verkauft. Also haben wir Getränke und Snacks. In dieser Lektion werden wir untersuchen, wie Sie sehen können, für welche Daten Sie lineare Prognosen verwenden sollten und warum lineare Prognose ein großartiges Werkzeug ist, um die Zukunft Ihrer Verkäufe vorherzusagen. Also genau hier haben wir Daten von 2013 bis 2090. Und wir wollen alles über 2019 vorhersagen, zweitausend zweiundzwanzigtausend einundzwanzig in unserem Fall. Was wir also tun werden, ist, dass wir beginnen, unsere Daten zu erweitern. Übrigens verwende ich den Umsatz als Beispiel. Aber offensichtlich, dass lineare Prognose, ist es für jede Art von Zahlen, die Sie tatsächlich in einer linearen Weise prognostizieren können. Ich werde dir jetzt zeigen, was ich damit meine. Wie Sie sehen können, haben wir zwei verschiedene Arten von Daten. So Getränke Seele und Schlangen verkauft. Was ich jetzt tun werde, ist, dass ich schnell eine Grafik der Daten erstellen werde. Also wählen wir die Daten aus, wir klicken auf Einfügen. Und hier können wir auf ein Streudiagramm klicken, das wir jetzt sehen, ist genau hier. Wir öffnen es ein bisschen. Und wie Sie sehen können, gibt es zwei sehr unterschiedliche Arten von und Linien, die wir jetzt sehen. Was ich Ihnen erklären möchte, ist, wie Sie sehen können , ob Sie lineare Prognosen anwenden sollten. Offensichtlich kommen Daten immer auch mit qualitativen Informationen. also wissen, woher Ihre Daten kommen, wird Ihnen seine Gesundheit helfen, zu entscheiden welche Art von Prognosen Sie verwenden sollten. Aber in diesem Fall, wo wir die orangefarbenen Punkte haben, die Sie hier sehen können, kommt aus der Menge der Snacks verkauft. Wir können deutlich sehen, es hat eine sehr gerade Linie, ist nicht wie die Getränke oder wir haben ein wiederkehrendes Muster. Und da dies eine gerade Linie ist, und wir können eine lineare Prognosen verwenden. So können lineare Prognosen auf zwei Arten durchgeführt werden. Der erste Weg wäre ein visuelleres Gewicht. Oder wir wählen unsere Grafik aus. Wir gehen zu Diagramm entworfen, Diagrammelemente hinzufügen. Und wir klicken hier auf Trendlinie. Wenn wir nun auf die lineare Trendlinie klicken, wollen wir sie zuerst vorhersagen, als nächstes verkaufte die orangefarbene. Wir können sehen, wie es voranschreitet. Wie gesagt, wir haben zwei zusätzliche Jahre geschaffen, das sind zweitausend und zweiundzwanzigtausend und einundzwanzig. Deshalb haben wir hier auch noch zwei Jahre auf den X-Achsen. Und wir können sehen, wie Excel unsere linearen Trends in den nächsten zwei Jahren berechnet . Also bedeutet, dass, wenn wir lineare Vorhersage anwenden, sind nicht Punkte sollten auch um diese Linie herum sein. Lassen Sie uns also mit der Prognose auf eine genauere Weise beginnen. Also werden wir tun, ist, dass wir hier und andere schaffen. Und wir werden eine weitere Spalte erstellen. Und dieses hier nennen wir Snacks prognostiziert. Und dann genau hier, wo wir noch keine Nummer für Schlangen haben, das ist der erste Januar 2020. Wir werden anfangen, unsere Formel hinzuzufügen. Also beginnen wir Typprognosen. Aber lineare, ältere Excel führte Prognosen ein, die nur prognostiziert werden. Aber aus Kompatibilitätsgründen empfehle ich Ihnen, nur Prognosen linear, einige neue Funktion zu verwenden. Es ist im Grunde der gleiche Nebel und Prognose Zukunft, aber es ist nur mehr aktualisiert. Also empfehle ich Ihnen, mit der Prognose, aber linear fortzusetzen. Und auch, wie sollte nicht mit anderen Forecast-Features zu verwechseln hinzugefügt werden vorhanden sind. Also beginnen wir mit vier Arten linear. Wenn Sie Hilfe benötigen, können Sie hier auf diesen Button klicken. Und dann auf der rechten Seite wird Ihnen helfen, eine Formel zu bauen. Also müssen wir mit der nächsten Nummer beginnen. In diesem Fall werden es die Daten sein. Also wollen wir das Datum wissen, von dem wir prognostizieren wollen. Und die zweite wäre unser bekanntes y, das sind unsere bekannten Werte. Was in diesem Fall das nächste Mal verkauft wird, was aus der Vergangenheit ist. Aber wir machen das c2. Und dafür müssen wir die gleichen Zeilen haben wie unser Y. Aber in diesem Fall werden wir die Dates benutzen. Wieder. Wir werden das zu zwei machen. Und das war's. Und jetzt haben wir unsere Daten eingegeben. Und jetzt, wenn wir auf „Fertig“ klicken, bekommen wir unseren Wert genau hier. Bevor ich die Basisklasse beginne, habe ich es noch nicht getan. Und eine Zahl für viele serverlose URLs erstellen. Tut mir leid, das ist Materialien der Gegner. Wir sind in Dezimalstellen geraten. Und jetzt haben wir unseren ersten Denier prognostizierten Wert erstellt, der auf dem Wert vor basiert. Also, jetzt wollen wir das für den Rest der Monate der nächsten zwei Jahre durchziehen. Bevor wir das tun, stellen Sie sicher, dass wir schauen. Beide sind Daydream aus den jüngsten Daten, die wir verwenden, um unsere Prognose zu erstellen. Und sobald wir das getan haben, können wir unsere Datenbank weitermachen. Ok? So haben wir jetzt unsere Werte prognostiziert. Um dies zu visualisieren, was wir tun können, ist, dass wir ein neues Diagramm erstellen können, was in diesem Fall sein wird, und lassen Sie uns das gleiche Diagramm verwenden, das wir bereits verwendet haben. Wir gehen zum Diagrammdesign. Wir könnten auf ausgewählte Daten klicken und wir werden eine weitere Spalte hinzufügen, die in diesem Fall wird Spalte D sein Lassen Sie uns also unseren Datenbereich erhöhen. Und jetzt werden diese prognostizierten Werte auch hier dargestellt. Und wie Sie sehen können, dass dies genau auf der Trendlinie ist. Also in linearen Prognosen bedeutet im Grunde , dass vom ersten Punkt bis zum letzten Band der Theorieergebnisse wir bereits haben. Excel berechnet die durchschnittliche Straßenwut Überstunden. Jedes Mal, wenn wir einen Wert auf x verschieben, bedeutet das, ein standardisierter Wert von y zu sein oder wie viel er aufruft. Für jeden Schritt nach rechts müssen wir den gleichen Wert haben, damit wir ein konsequentes Wachstum erhalten. Und schließlich stellt sich das in dieser Linie heraus. Und das nutzt im Grunde das durchschnittliche Wachstum der Daten aus der Vergangenheit, die wir verwendet haben. Was im Grunde bedeutet, dass dies eine sehr einfache Art der Prognose ist. Aber ja, für lineare Daten bei verkauften Prognosebedürfnissen. Also, das war es vorerst für unsere lineare Prognose. In der nächsten Klasse werden wir uns also mit saisonalen Prognosen befassen, auch exponentielle Prognosen genannt. Es ist ein bisschen fortgeschrittener, aber immer noch eine sehr einfache Möglichkeit, in Excel zu prognostizieren. Und ich hoffe, wir sehen uns im nächsten Video. 5. Vorhersage: Saisonal/Exponential: Willkommen zum nächsten Video über Prognosen. In diesem Video werden wir saisonale diskutieren, auch exponentielle Prognosen genannt. Also im letzten Video haben wir in Denier Prognosen gesucht, die kontinuierlich mit der durchschnittlichen Wachstumsrate ist, die wir in den besten und setzen eine Zukunft nimmt die gleiche durchschnittliche Wachstumsrate. Ich mache im Grunde nur folgt der Trendlinie. Das ist kurz gesagt, worüber wir in unseren nächsten paar, in unserem letzten Video gesprochen haben. Aber in diesem Video wird ein wenig fortgeschrittener Prognosen sein , da wir in wiederkehrende Muster, saisonale, eine exponentielle Record Casting aussehen werden. Wie Sie in dieser Linie sehen können, ist es eine gerade Linie. Aber wir würden nicht unsere Getränke verkaufen und unsere Getränke prognostiziert. Sie werden sehen, dass für diese eine andere Art von Prognosen wirklich schnell benötigen. Also lassen Sie mich Ihnen zeigen, warum. Ich meine, organisiere die richtig und lege sie neben unsere andere Grafik. Ordnung? So, wie Sie bereits an diesem sehen können, ist ein wenig weniger unkompliziert als unser erster Absatz. Und wenn wir eine Trendlinie zu diesem Diagramm hinzufügen würden, also tun wir nicht Diagrammdesign und wir klicken auf Trendline. Ich gehe für Getränke, die verkauft werden. Sie werden sehen, dass, wenn wir lineare Prognose anwenden würde , nur irgendwie entlang dieser Trendlinie folgen. Und es steht definitiv nicht im Einklang mit dem, was wir hier sehen. Es sieht aus, als wäre es eher wie Wellen, die nach oben und unten gehen. Also, um Prognosen richtig zu machen, werden wir eine Formel verwenden, exponentielle Prognosen. Also, was das aussieht, ist prognostizierte dachte ETS. Wir werden unsere Klammer aufmachen. Wir können hier noch einmal auf diese Formel-Button klicken, um uns ein wenig mit den Daten zu helfen, die wir hinzufügen müssen. Und es ist genau wie die lineare. Wir beginnen mit unserem Zieltermin , in diesem Fall ist es der erste Januar 2020. Unsere Werte, einige sind bekannt Beta übergeben, die wie ein Polygon ist, das ist dieser Bereich. Ausgehend von V2. Und unsere Zeitachse. Es wird die gleiche Menge an ROS sein, wie wir für unsere Werte haben, aber dann wird es Holland ein. Sie können hinzufügen, wenn es bereits eine bekannte Saisonalität. Also eine wiederkehrende Batterie. Sie können hier hinzufügen, wie viele Datenpunkte x Werte sind, oder beziehen sich auf die Fertigstellung. Also, wenn es zum Beispiel zweimal gibt, tut es mir leid. Wenn es fehlt gewöhnliche ist nicht wirklich eine unlesbare Ratschläge, können Sie Excel die Option geben, wie es das als 0 oder als Durchschnitt interpretieren sollte. Und eine Aggregation. Sie können sich entscheiden, ob Sie lernen. Zweimal. Zum Beispiel Beta für sie eine zweite Januar. Was ist mit dem Gipfel zu tun? Jedes Kind hat gezählt. So können Sie es jede Nation machen, denn jetzt werden wir das leer lassen. Diese sind optional. Du brauchst sie jetzt nicht. Und gerade jetzt haben wir unseren ersten Wert auf den ersten Saisonwert berechnet. Und genau wie wir es mit linearen tun sollten, müssen wir sicherstellen, dass wir diese fixiert halten, damit sich unsere Bereiche immer noch bewegen. Lassen Sie einen, dass wir die Formel runter ziehen. Und sobald wir das getan haben. Also im Moment haben wir alle unsere Prognosen von Daten. Jetzt schauen wir mal, wie das aussieht. Wenn wir also unsere Grafik betrachten, können wir bereits die gelben Punkte sehen, die hinzugefügt wurden. Und wie ich bereits erklärt, diese Trendlinie, prahlvolle geladene Trends. Laut dieser Trendlinie steigen unsere Werte im Laufe der Jahre leicht an. Aber deutlicher ist, wie es prognostiziert, dass wiederkehrende Muster sind. Um es noch klarer zu machen, lassen Sie uns daraus ein Liniendiagramm anstelle der Punkte erstellen. Also werden wir durch Chart-Typ gehen und wir werden zu Zeile schauen, werden die beiden Zeilen genau hier auswählen. Und wie Sie jetzt sehen können, können wir die Bewegung unserer Daten noch deutlicher sehen und wie schön sie vorhergesagt werden. Wenn wir nochmals linear verwendet hätten, wäre dies nur eine gerade Linie, die leicht nach oben geht, was in diesem Fall definitiv nicht die richtige Vorhersage für diese Art von Daten wäre. Um diese Lücke zu füllen. Nur ein kleiner Trick. Was Sie tun sollten, ist auf diese Daten. Also zu 1349, auch hier hinzugefügt. Und dann sollte unser Diagramm wie eine Zeile aussehen. Und das tut es. Also hier ist Berührung jetzt. Also lassen Sie uns schnell, wie Sie bei einer Saisonalität Prognosen anwenden. Super nützlich für wiederkehrende Muster. In diesem Fall sind es Getränke. Und wenn wir uns unsere Daten ansehen und wir können wahrscheinlich sehen, aber es ist auch etwas, das wir tauchen und später in dieser Klasse. Aber es wird wahrscheinlich auf der Temperatur basieren, basierend auf dem Jahr. Bevor wir in die Regressionsanalyse eintauchen, die zeigen wird, warum unsere Datenbank auf- und abruft, werden wir zuerst in Konfidenzintervalle eintauchen. Im nächsten Video zeige ich dir, wie sicher du über diese Vorhersagen sein kannst. Bei einem Excel gibt Ihnen die Werkzeuge zum Visualisieren, Berechnen und Visualisieren einer Reihe von unaufhörlichen Prognosen sollten dazwischen auf der Grundlage des Vertrauensniveaus des Chirurgen fallen. Ich hoffe, wir sehen uns im nächsten Video. Vielen Dank. 6. Vorausschätzung: Forecasting:: Hallo und willkommen in unserem nächsten Video. In diesem Video werden wir das Konfidenzintervall berechnen. Also werde ich Ihnen zuerst erklären, was ein Konfidenzintervall ist und warum Sie es anwenden möchten. Und dann werde ich Ihnen zeigen, wie Sie es anwenden können und wie Sie es in den Diagrammen visualisieren können , die wir in den vorherigen Klassen erstellt haben. Also, was ich meine Zeit zwischen diesem Video und dem letzten Video, Ich habe gerade unser Blatt formatiert und ein wenig zusätzliche Spalten hinzugefügt. Und ich habe gefärbt wie Orange und ich habe farbige Getränke blau genannt , um einen besseren Überblick zu bekommen. Und ich habe die Dinge durch Plessy gemacht. Okay, also sehen wir hier, um Werte zu prognostizieren, was wir in den letzten beiden Videos gemacht haben. In diesem werden wir unser Konfidenzintervall berechnen. Konfidenzintervall ist also im Grunde der Bereich innerhalb unserer prognostizierten Werte fallen sollte. Dies basiert darauf, wie zuversichtlich sind wir, dass bestimmte Werte, die in Wut geraten. Also, wenn wir zu dieser Formel hinzufügen, Zum Beispiel, dort wollen wir einen Bereich, in dem wir 95% sicher sind. Zukünftige Werte werden in statistisch C fallen. Wir werden einen Bereich erhalten , den wir abzüglich des prognostizierten Werts und zuzüglich unseres prognostizierten Wertes tun. Und das sollte sein, wo unsere Werte auf der Grundlage dieses bestimmten Prozentsatzes prognostiziert werden sollten . Klingt vielleicht ein bisschen einschüchternd, aber wir werden es einfach halten. Der ganze Zweck dieser Klasse ist es, diese Excel Funktionen einfach und leicht zu verstehen zu halten . Denn deshalb werde ich nur in sie eintauchen und dich auf dem Weg erklären , wenn ich dir gerade erklärt habe. Also gehen wir durch Getränke begrenzt und frieren die erste Reihe ein wenig schnell, nur für uns, um einen besseren Überblick zu haben und dann die erste Spalte und die erste echte sehen. Oh, das wollte ich nicht sein. Freie Sachen Rolle. In Ordnung. Also müssen wir das Konfidenzintervall. Dieser ist viel Rätselraten, so einfacher, wenn wir diesen Wert verwenden um eine bessere Linie in einer Charta zu erstellen, war nicht im letzten Video, also werden wir in den zweiten Wert starten. Dies ist der erste prognostizierte Wert. Was wir tun, ist, dass wir die Prognose schreiben werden. Ets. So dachte, es steht für ein Konfidenzintervall. Und wir werden die Klammern aufmachen. Und wie wir es in unseren anderen Klassen getan haben, können wir hier auf diesen Button klicken. Und wieder, wir können einfach ausfüllen heute sind genau hier. Wir gehen also zu einer Debatte, die gegen den ersten Januar 2020 der Fall wäre. Wir werden den Wertebereich auswählen, der genau wie die vorherigen Formeln ist, die wir gemacht hatten. Dass wir unsere Zeitachse auswählen werden. Und dann können wir unser Konfidenzniveau wählen. Das habe ich also erklärt. Das ist eine Art von schlagen einen Prozentsatz. Der Prozentsatz der Sicherheit, den wir haben wollen , dass unsere Daten innerhalb dieses Bereichs fallen, den wir berechnen werden. Unsere Ausgaben. Dieser Wert liegt bei 95%. Moment werden wir es einfach so behalten, damit wir das leer lassen können. Und wie wir auch in unserem vorherigen Video hier gesehen haben, können wir die Saisonalität, Datenvervollständigung und Aggregation hinzufügen , die wir im letzten Video erklärt haben. Und im Moment werden wir das auch leer lassen. Wir treffen diese Schritte nicht. Wenn Sie immer noch nicht sicher sind, was sie bedeuten, gehen Sie bitte zurück zu unserem letzten Video und überprüfen Sie die Definitionen dieser, oder scrollen Sie hier nach unten. Und Sie können auch lesen, was sie bedeuten und was sie tun. Also, jetzt klicken wir auf Fertig, und jetzt erhalten wir eine Reihe von unserem Wert. Also 95% sicher, dass unsere Prognose entweder innerhalb von 150 gesetzt X6 niedriger oder höher als unser prognostizierter Wert sein wird. So, wie wir es in unseren letzten Videos getan haben, werden wir unser Sortiment sehen. Und ich wollte das hier durchziehen. Da gehen wir. Wir können unsere Unter- und Obergrenze erstellen, was unser prognostizierter Wert abzüglich unseres Konfidenzintervalls sein wird. Und R4 Basiswert plus unser Konfidenzintervall. Das ist also unser Bereich, von dem wir 95% sicher sind, dass der reale prognostizierte Wert oder zukünftige Wert in ihm sein wird. Ordnung? Also, jetzt gehen wir zurück zu unserem Diagramm und wir werden dieses Konfidenzintervall visualisieren. Also sollte unser Diagramm genau hier oben sein. Das hier. Wir werden das Design hier oben abbilden. Wir wählen Daten aus. Und wir werden einige Daten hinzufügen, die bis Spalte F sein wird, die sie oben gebunden ist. Du solltest unsere Linien schon sehen, wie wir es in der letzten Klasse getan haben. Wir müssen einen weiteren Wert hinzufügen, um sicherzustellen, dass die Zeile gut von unseren Ergebnissen weitergeht, was wir tun, indem wir diese kopieren. Es tut mir leid, das hier zu begleiten und ein Jahr zu gehen. Und unsere Grafik könnte ein bisschen sein und ein bisschen schöner aussehen. Was gerade jetzt ist, lassen Sie uns es einfach sehr schnell formatieren und neigt dazu, Anrufer außerhalb unserer Linien. So klicken wir auf unsere Länge sind Millenials ist orange. Also lassen Sie uns sowohl für die untere als auch für die obere Grenze ein wenig heller und Farbe orange verwenden, was diese wäre. Und jetzt werden wir dasselbe nehmen. Für eine Untergrenze. Wir bekommen eine großartige Visualisierung unseres Angebots, in dem unsere Prognose sein könnte. Also, wenn wir unser Vertrauen erhöhen würden, denken Sie einfach für eine Sekunde selbst, was würde mit diesen zwei leichteren Linien passieren? Also werde ich Ihnen schon sagen, dass unser prognostizierter Wert gleich bleiben wird. Aber etwas passierte mit dem Live School Legal weiter. Etwas, sie werden dünner. Ordnung. Willst du immer noch darüber nachdenken? Pausieren Sie das Video einfach sehr schnell. Also, wenn wir unser Vertrauen erhöhen, also, wenn Sie mehr sicher sein wollen, um Vorhersage zu schreiben, was bedeutet, dass, wenn es wäre 98%, zum Beispiel, oder 99% statt 95, sind Lang sollte breiter werden. Also, wenn die Linien breiter werden, können wir mit mehr Sicherheit sagen, wie hey, ja, ich denke, wir haben jetzt mehr Chancen auf unseren Prognosewert, prognostizierten Wert. Die eventuellen Ergebnisse unseres prognostizierten Wertes werden innerhalb dieses Bereichs liegen. Je größer die Reichweite ist, desto sicherer können Sie sein, dass ist irgendwie innerhalb des Bereichs. Wenn wir unser Konfidenzniveau auf verringern wollen, sagen wir mal 85%. Wir sollten eine kleinere Reichweite bekommen. Weil Druck innerhalb eines Bereichs verblassen ist. Aber es könnte auch kleiner sein. Richtig? So erhalten Sie einen tollen Überblick für die Prognosewerte. Und ich hoffe, das war eine nützliche Lektion für dich. Und außerdem ist es eine gute Möglichkeit, sich zu visualisieren, besonders wenn Sie Sachen melden müssen und auch für unser Projekt. Und es ist eine gute Möglichkeit, die zukünftige Prognose basierend auf der Gewissheit, dass Sie Font Awesome benötigen visualisieren . Im nächsten Video werden wir uns die einzelnen Prognosedaten ansehen , die wir aus den Formeln herausbekommen können. Einige schwere Daten, die wir verwenden können, um unsere Prognosen ein wenig besser zu erklären und ein wenig mehr über unsere Prognosen zu wissen. Also danke, dass Sie dieses Video gesehen haben, und ich werde Sie in der nächsten Lektion sehen. 7. Einführung in die Regression: Hallo und willkommen zur Einführung in die Regression. In diesem Video werden wir diskutieren, was es bedeutet, was eine Regression bedeutet. Und das wird uns die Werkzeuge geben, die wir brauchen, um in unsere nächsten zwei Videos einzutauchen, in denen wir in die Regressionsanalyse eintauchen. Das Wichtigste in einer Regressionsanalyse ist also, dass sie immer mit einer Hypothese beginnt. Und so würden Sie Hypothesen erstellen, um zu sagen, zum Beispiel, ich denke, sind die Hypothesen, dass wir, wenn die Temperatur steigt, mehr Eis verkaufen. Wenn Sie diesen qualitativen Teil der Gleichung haben, ist dieses qualitative Angebot Ihre Regression nach der Regressionsanalyse sehr wichtig, da nur Analyse von Daten nicht notwendigerweise gibt , warum es eine bestimmte Beziehung zwischen zwei Datensätzen. Daher ist es sehr wichtig, auch zu prüfen warum es eine gewisse Korrelation zwischen zwei Datenpunkten geben könnte. Dann wird die Hierarchie sein, die wir auch in unser nächstes Video eintauchen werden, Progression, Stärke. Zunächst einmal wollen wir sehen und sehen, wie stark diese Korrelation ist. Wenn wir also ein Grad in der Temperatur steigen, ein Grad Celsius, wie viel mehr Eis glauben wir, dass wir verkaufen werden? Und der letzte ist zwei. Und es wird zeigen, wie sicher wir sind , dass dies tatsächlich eine Korrelation und Regression ist, die wir in unseren Daten sehen. So beeinflussen beispielsweise Kunde H unseren Umsatz oder wenn der US-Dollar-Wert steigt, wirkt sich dies auch auf den Aktienkurs von Google oder damit Mitarbeiterabsentismus Wirkung Lieferfristen aus. Diese drei Fragen können mit Hilfe der Regressionsanalyse zu quantitativen Aspekten beantwortet werden. Aber auch hier können wir nicht direkt davon ausgehen, dass diese Hypothesen wahr sein werden. Diese Fragen werden wahr sein, in erster Linie den quantitativen Teil der Forschung zu tun. Sie müssen auch noch eintauchen, ob es tatsächlich eine Beziehung zwischen den Variablen, die wir sehen, und Dosierungsfragen gibt. So wie Regressionsschleifen wie hier auf der rechten Seite, sehen Sie eine Trendlinie umgeben von Belastungen. Und Sie können sehen, dass auf, wie gemietet zu kaufen ist in der y-Wert. Je wahrscheinlicher ist es, dass es, ich werde hoch und der x-Wert sein. Das ist also im Grunde, was eine Regression dort trifft, näher sie an dieser Linie bleibt. Je sicherer wir über unsere Aggression sein können. Und eine mehr verstreut und eine mehr überall in einem Diagramm ist es, desto weniger signifikante Regression wird sein. Die Steigung unserer Linie wird bestimmen, wie mächtig unsere Regression und das sind Dinge, die wir in einem Anhang Video als auch betrachten werden. Grundsätzlich analysiert die Regressionsanalyse die Beziehung zwischen den unabhängigen und abhängigen Variablen. So haben wir verschiedene Variablen wie Temperatur, Menschen außerhalb und, und die Menschen und was sind die Geschäfte sind offen. Diese drei Variablen können unsere Vertiefung beeinflussen und V2 könnte Destillen weinen sein, Schrei zum Beispiel. Und Regressionsanalyse wird sehen, ob, wenn C nach oben geht, b nach oben geht oder nach oben geht, wenn unsere abhängige Variable offensichtlich auch nach oben oder unten geht. Es gab also diese hübsche Einführung der Regressionsanalyse. Wir werden in unserem nächsten Video in eine Regressionsanalyse eintauchen. Und ich hoffe, wir sehen uns dort. 8. Regression: Analyse: Hallo und willkommen zum nächsten Video, in dem wir uns mit der Regressionsanalyse beschäftigen werden. In diesem Video werde ich in Kürze erweitern Sie Ihre breite wir sind Kontexte einer der Regressionsanalyse. Ich zeige Ihnen, wie Sie es in Excel aktivieren können. Studenten, es ist keine Standardfunktion in Excel. Ich zeige dir auch, wie du sie machen kannst. Wie Sie die Regressionsanalyse durchführen können. Was sind die Schritte, die Sie unternehmen, um es zu erstellen? Und schließlich werden wir überprüfen, was die Ausgabe der Regressionsanalyse zu betrachten ist. Bevor wir anfangen, ist dies eines der Videos, in denen einige Vorkenntnisse über Statistiken empfohlen werden. Ich werde versuchen, es so leicht wie möglich zu halten, zeigte, dass Menschen, die nicht unbedingt erlebt haben , welche Statistiken folgen können und immer noch Regressionsanalyse für ihren eigenen Zweck anwenden . Aber wieder, zur Beta, werden wir uns ansehen, haben Sie wahrscheinlich eine bessere Vorstellung davon, was es bedeutet wenn Sie etwas Erfahrung mit Statistiken haben. Also, bevor wir anfangen, werden wir uns unsere Daten ansehen. Und ich möchte Ihnen zeigen, warum Sie vielleicht eine Regressionsanalyse durchführen möchten. Also haben wir das Getränk verkauft und wir haben Sinek verkauft. Wir alle sollten die Temperatur in unseren vorherigen Videos aktualisieren müssen. In Spalte N. Ich habe sie jedoch nebeneinander gestellt, damit Sie sehen können, warum wir es vielleicht in Erwägung ziehen wollen. Wenn wir also zu unserer Grafik gehen, die wir in unserer Prognoseklasse erstellt haben, und Sie können sehen, dass es ein sehr starkes wiederkehrendes Muster für Getränke gibt, die verkauft werden. Um herauszufinden, warum es so schwankt und was bestimmt unsere Getränke nach oben zu gehen und was sie bestimmt, nach unten zu gehen. Wir wollen eine Regressionsanalyse durchführen, um zu sehen, was die Beziehung ist. Also hier haben wir Getränke verkauft, und wie Sie sehen können, scheint die Temperaturfreundlichkeit zusammen mit verkauften Getränken zu schwanken. Bevor wir also unsere Regressionsanalyse durchführen, möchten wir die Hypothese festlegen, dass die Temperatur die Anzahl der fiebrig verkauften beeinflusst. Obwohl dies nur quantitativ ist und Sie Regressionsanalyse, werden Sie in einer quantitativen Weise herausfinden, ob dies wahr ist. Es bedeutet nicht unbedingt, dass dies korreliert ist und das ist direkt verwandt. Ein kurzes Beispiel wäre, wenn viele Eiscremes verkauft werden. Es gibt auch eine Menge Haifischbisse. Im C. klingt es, als hätte es nichts zu tun, ist einander zu schließen und das tut es nicht. Wenn Sie eine Regressionsanalyse mit diesen beiden Ereignissen durchführen würden, würden Sie wahrscheinlich feststellen, dass eine Regression vorliegt. Obwohl mehr Eis essen hat nichts mit mehr Menschen zu tun, die von Haien oder mehr Bytes von Haien gebissen werden, wird nicht dazu führen, dass mehr Menschen Eis Schnee kaufen. Was ist die unabhängige Variable? Und es ist nur das Wetter. Also, wenn es ist, wenn das Wetter gut ist und die Temperaturen hoch sind und mehr Menschen zum Strand gehen , wo die Menschen Gefahr sind, von Haien gebissen zu werden und mehr Menschen Eis kaufen. Ich versuche Ihnen nur zu zeigen, dass es sehr wichtig ist, darüber nachzudenken , warum es eine Korrelation zwischen Ihren Daten geben könnte. Es ist also nicht nur quantitativ. Es gibt auch einen qualitativen Teil bei der Suche nach Beziehungen zwischen Daten. Was in dieser Klasse konzentrieren wir uns nur auf den quantitativen Teil. In Ordnung, also mit dem besagten, lasst uns anfangen, unsere Regressionsanalyse zu erstellen. Wir müssen es erst aktivieren. Dies hängt von der von Ihnen verwendeten Excel Version und hängt vom verwendeten Betriebssystem ab. Ich benutze einen Mech und ich habe Office 365. Für mich würde es bedeuten, dass ich hier oben gehen muss, auf Tools klicken und auf Excel Add-Ins klicken muss. Und hier können Sie die Analyse wieder hinzufügen. Für Benutzer, die Windows oder verschiedene Versionen von Excel verwenden, gehen Sie zu Optionen und sie sind gut zu bearbeiten. Und für einige Leute wird das wahrscheinlich genau hier sein. Und hier können Sie auf Optionen klicken, und Sie können schließlich Änderungen und dann Analysis ToolPak auswählen. Wenn Sie hier stecken bleiben, jemals davon überzeugen, es eine schnelle Google-Suche Ihre Excel -Version zu geben, haben Sie Ihr Betriebssystem, und Sie sollten auf jeden Fall in der Lage sein, es zu finden. Es gibt nur eine Vielzahl von Optionen, wie Sie dorthin gelangen können. Also werden wir jetzt nach unten gehen, sobald wir unser Analysis ToolPak aktiviert haben. Und wir gehen den ganzen Weg nach rechts, wir klicken auf Datenanalyse, und hier können wir Regression auswählen. Also klicken wir auf OK. Und jetzt können wir anfangen, unsere Daten auszuwählen. Also sind meine Daten bereits ausgewählt. Ich habe hier a1, sorry, das sollte b1 bis zum 85. Und dieser sollte c1 bis 85 sein. Wir wollen die Etiketten auswählen, weil wir in Zeile eins Etiketten haben. Und unser Konfidenzniveau wird 95% betragen, was bedeutet, dass wir 95% sicher sein werden. Und diese Wasserregression wird das richtige Ergebnis geben. Genau hier haben wir unsere Ausgabe der Regressionsanalyse. Und gerade jetzt werden wir nur einige der Daten hervorheben, die wir jetzt sehen, um unsere Regressionsanalyse zu interpretieren. Also werden wir hier anfangen. Hier oben haben wir das r Quadrat und das Adjusted R-Quadrat. Diese beiden Zahlen identifizieren also die Vorhersehbarkeit unserer Regression. In diesem Fall schauen wir uns an, wie die Temperatur die verkauften Getränke beeinflusst. Und nach unseren Daten, Es ist um 85% von der Temperatur beeinflusst. Das Adjusted R-Quadrat löst die Extreme aus und ist etwas konservativer als das R-Quadrat. Und jeder Fall, in unserem Fall, ist es fast ähnlich. So können wir sagen, nach seiner sind nicht rSquared, die Getränke verkauft werden, ist in der Lage, durch die Temperatur vorhergesagt werden. Unsere Beobachtungen hier ist die Anzahl der Zeilen, die wir im Grunde hatten eine EHR Daten. Wenn wir also direkt hier zu unseren Daten gehen, können Sie sehen, dass es 84 Einträge von hier gibt. Den ganzen Weg bis hierher. Das sind also eine Reihe von Beobachtungen. Dann kommen wir zu unserem Signifikanzniveau. Also werden wir Signifikanzniveau gibt uns den Prozentsatz, dass das, was wir erhalten haben, durch reine Zufälligkeit erhalten wird. Also, jetzt ist es wissenschaftlich geschrieben. Aber wenn wir das etwas leichter lesen wollen, können wir zum General gehen. Wir können die Nummer auswählen. Und dann bekommen wir 0.0.0. Und dann, wenn wir weiter klicken, um zu erweitern, sollten wir nicht wollen Punkt und beginnen, einige Zahlen zu sehen. Aber das zeigt uns nur, wie stark und wie viel, wie niedrig der Prozentsatz, der gesagt, dies wird durch reine Zufallsprinzip erhalten. Wir haben die Grafik gesehen und die Grafik zeigt definitiv einige starke wiederkehrende Muster. Und hier fangen wir an zu sehen, dass es 0 ist und dann 35 Nullen später, 30 bis 1%, dass dies durch reine Zufälligkeit erreicht wird. Wir können also grundsätzlich sagen, dass das, was wir beobachten, nicht durch zufälliges Glück erreicht wird. Und wenn wir hier runter gehen, kommen wir zur Temperatur, was eine unserer abhängigen, unabhängigen Variablen ist. Und wir können sehen, wie stark unsere Getränke verkauft steigt pro eine Temperatur Schulden steigt. Wenn also unsere Temperatur mit einem Grad steigt, steigt unsere durchschnittliche erwartete Getränke pro Monat mit 74. Und unser p-Wert gibt uns auch den Prozentsatz wie viel Chance wir haben, dass dies durch reine Zufälligkeit erreicht wird. Also wieder, wenn wir diese erweitern würden, erhalten wir das gleiche Ergebnis ist hier. Hier ist, müssen wir 40 Nullen hinzufügen. Und hier müssen wir 35 Nullen hinzufügen, um eine Zahl zu erhalten. Also die Chancen, dass diese durch reine Zufälligkeit Bezirk erhalten sehr, sehr, sehr klein. So insgesamt können wir schließen, dass es eine ziemlich starke Korrelation zwischen unseren Temperaturen und einem verkauften Getränke geben Chancen. Die Sicherheit, die wir in diesem unglaublich hoch haben. Auf dieser Grundlage könnten wir ja sagen, verschiedene Beziehungen zwischen Temperatur und Getränke-Ressource. Okay, das war es für dieses Video. Hoffe, diese Regressionsanalyse gab Ihnen eine Vorstellung davon, wie Sie Korrelationen zwischen abhängigen und unabhängigen Variablen finden können. Wenn Sie, falls Sie mehr darüber erfahren möchten und lassen Sie mich in den Kommentaren unten wissen. Und ich könnte unsere Klassen mehr in Statistiken erweitern und ein wenig tiefer darüber, wie man jeden dieser Werte liest. Und die wichtigsten, die du jetzt kennst. Aber nur ein wenig mehr über Statistiken zu wissen wird Ihnen helfen, alles zu verstehen, was Sie besser können. Okay, danke, dass du diesen Kurs gesehen hast und ich hoffe, dass ich dich im nächsten Video sehen werde. 9. Projektüberprüfung: Hallo und willkommen zu dem Video, wo wir unser Projekt überprüfen werden. Aber kurze Notizen, bevor Sie in dieses Video eintauchen und das Projekt noch nicht durchgeführt haben, stoppen Sie bitte das Video, pausieren Sie das Video und machen Sie das Projekt zuerst selbst. Und wenn Sie bereit sind, zu überprüfen, wenn Sie in die richtige Richtung gegangen sind, das Projekt zu tun, dann sitzen Sie zusammen mit dem Video und wir gehen über, wie man Projekt hätte getan werden können. Okay, also fangen wir mit unserer Prognose an. Ich habe das Projekt bereits hier ausgefüllt. Und wir werden damit beginnen, wie die 20212022 Schweller Prognosen zu machen. Also gehen wir zu dieser Datenanalyse. Und bevor wir anfangen können, künstliche r-Diagramm zu erstellen. Und wir wollen, dass Prognosen Daten sind. Ich habe eine saisonale Prognose Kritiker verwendet. Wie Sie das herausfinden können, dass Sie Prognosen verwenden sollten, dachte ETS, anstelle von linearer Basis, indem Sie den Graphen zuerst selbst plotten und ein Muster betrachten, können Sie sehen, dass dies ist, dies muss einige haben Saisonalität darin. Wie zu sagen, Monate spitzen jedes Jahr, das sind September, November und Dezember, und März will auch ein wenig Spitze. In diesem Sinne können Sie bereits sehen, wie, hey, lassen Sie uns die ETS-Version der Prognose verwenden , um sicherzustellen, dass wir diese Eigenschaft nicht wirklich prognostizieren. Wenn Sie das nicht getan hätten, Sie in diesem Diagramm eine gerade Linie sehen sollen, die der Trendlinie folgt. Dann, wenn Sie das haben, erstellen Sie einfach das Diagramm. Sie fügen eine gute Trendlinie hinzu, falls Sie das noch nicht wissen, bearbeiten Sie, indem Sie auf das Diagramm klicken, gehen Sie zum Diagramm der xi1. Und hier oben können Sie an der Trendlinie wählen. Wenn Sie dann eine Trendlinie und in diesem Fall linear auswählen, erhalten Sie die Option, Ihre Trendlinie auf den prognostizierten Umsatz und die gemeldeten Annahmen zu basieren. Aber da wir mit linearen Transfers vergleichen wollen, ist die saisonale Trends, Sie wollen es nicht auf der prognostizierten Beta basieren. Das wäre nicht sinnvoll, denn wenn Sie es und Prognosen von Daten verwenden, stützen Sie Ihre grundlegenden Trends auf bereits Prognosen der Beta. Ich bin auf der Grundlage, dass die Ergebnisse zu stärken gibt Ihnen einen besseren Vergleich Ihrer saisonalen Prognose und in diesem Fall Ihrer linearen Prognose. Dann gehen wir zum 20212022, niedrigeren und höheren Chef. In seiner sehr ähnlichen Art, dorthin zu gelangen, Dan, die schlechte krass Punkt ETS Formel. Aber für diesen müssten Sie zuerst das Konfidenzintervall berechnen. In diesem Fall erhalten wir 70 Tausend für den 21. Januar. Und dann werden wir unsere Prognosen verwenden, diese Daten. Wir werden unser Konfidenzintervall subtrahieren. Und für unsere Obergrenze werden wir es für unseren prognostizierten Wert plus. Und dann haben Sie die Daten für Ihre Ober- und Untergrenze. Und die 90 Tausend Fehler, die Sie hier sehen werden kopiert und eingefügt aus sind bereits prognostizierte Daten. Und das wird Ihnen helfen, die Lücke zu beseitigen , die Sie zwischen Ihren beiden Datenzeilen haben könnten. Also zwischen den resultierenden und den prognostizierten Datenzeilen, wenn Sie diese 90 Tausend nicht hinzufügen, erhalten Sie eine Lücke. Und jetzt schön auszurichten fließt durch eine Prognose von Datenlinien. Und worauf ich mich beziehe, ist dieser Teil. Genau hier. Wenn Sie nicht hinzufügen 90 Tausend, dann und verbeugte Ihre grüne und Ihre rote Linie wird nach einem get beginnen. Nur eine kleine Berührung. Es ist ein weiterer sehr bahnbrechender, wenn man das nicht hinzufügt. Also für diese, auch sehr wichtig, um Ihre Trendlinie auf die Ergebnisdaten zu stützen, meldete Umsatzdaten, wenn Sie nicht, und Sie werden, allem, eine Trendlinie, die linear eingestellt ist. Es sollte sein, weil es von 0 beginnt und davon ausgeht, dass es von 0 geht. Und es beginnt mit 90.229 wird zu einer höheren Sendehälfte gehen. Also wirklich basieren Sie es auf Ihren Umsatz aufgezeichnet. Ordnung, es gab einen ersten Teil. Dann kommen wir zu unserer Regressionsanalyse, etwas, das sie hier berücksichtigen sollte. Stattdessen gibt es zwei verschiedene Arten von Analysen, die wir durchgeführt haben. Also haben wir sowohl unsere Analyse, wie wir in der Klasse diskutiert haben und wollten von Excel mit den sehr spezifischen Daten. Wir haben auch den visuellen Teil. Zuallererst sollte Ihre und Ausgabe so aussehen. Und wir können unsere Daten verwenden, um sie in unserem Feld direkt hier einzufügen. Wenn Sie verschiedene Antworten erhalten, auch mit den Diagrammen, die für Sie unterschiedliche Schleifen haben, gehen Sie bitte zurück zum Video und überprüfen welcher Schritt ländlich gegangen ist, oder öffnen Sie diese Excel -Datei und sehen Sie, ob es einen Unterschied gibt in Formeln für den Prognose-Teil als die, die Sie verwenden? Wenn du es liest, finde es irgendwie heraus und hinterlasse einen Kommentar unter diesem Video, und ich werde dir helfen. Unsere angepasste Stärke beträgt also 52,52. Dies bedeutet, dass unsere Regressionskraft nicht so stark ist, wie pro Rabatt oder PR und Marketing-Budgets sind immer noch, geht nicht eins zu eins, aber es ist mehr für 50%. Es ist also eine mittelmäßige Regression. Unsere Bedeutung ist jedoch unglaublich hoch. Also 0.0.0 00 und ein paar Nullen, 3-5 Prozent bedeutet, dass mit diesem Prozentsatz Besuche, der Prozentsatz, die Daten oder Regression sind, durch reine Zufälligkeit erhalten wird, durch reines Glück und Basen unglaublich niedrig. Und eine Art Regression scheint ziemlich stark zu sein. Und dann müssen wir wählen, welche Variablen. Also, Rabatt-oder Marketing-Budgets tatsächlich treiben diese Regression. Ich habe Marketing-Budget ausgewählt. Und der Grund dafür ist, dass, wenn wir auf unsere Regressions-Registerkarte gehen und Sie hier nach oben gehen, können Sie tatsächlich in P-Wert sehen, dass unser Durchschnitt, diese KM gegeben ist weit davon entfernt, Bank gibt uns eine signifikante zu bekommen 65%. Der durchschnittliche Rabatt bei AS mit Regressionseffekten. Und auf unsere Verkaufsdaten. Unser Marketing-Budget ist jedoch Nullpunkt, wieder 00 etwas. Ich zeig dir ein bisschen besser. Also 0.0.0 und ein paar 0 für 7% Chance, dass diese Marketing-Budget-Progression durch Glück erhalten wird, durch reines Glück. Also wieder, das ist sehr niedrig. Und deshalb können Sie auch sagen, dass die meisten dieser Zahlen für Bedeutung hier und unsere R-Quadrat angepasst und unsere Offscreen hier, und wird hauptsächlich von Marketing-Eimer angetrieben. Also, was ich getan habe, habe ich eine weitere Regressionsanalyse erstellt, nur um zu sehen, das zu sehen. Und wie Sie sehen können, ohne den durchschnittlichen Rabatt angesichts unserer Stärke und unserer Aggression, bleibt fast gleich, es ändert sich nicht viel. Die Bedeutung ist noch stärker. Und unser q-Wert und unsere Stärke dieser Korrelation sind ebenfalls sehr stark. So können wir schon sagen, dass unsere Regression aus dem Marketing-Budget kommt. Der entscheidende Faktor dabei ist diese Zahl zu 65%, dass der durchschnittliche Rabatt als tatsächlich mit einem Regressionseffekt Korrelation mit Suez-Daten gegeben . Daher können wir nicht davon ausgehen, dass unser durchschnittlicher Rabatt bei Gefahrenkorrelation liegt, aber unser Marketing-Budget tut es. Ich habe das visualisieren durchgemacht. Ich habe auch zwei Plus-Scatter erstellt. Und was Sie sehen können, ist das hier können Sie sehr visuell, sehr schön sehen, ob Bereiche oder Regression vor sich geht, ob es eine Korrelation gibt. Und hier können Sie bereits sehen, dass diese Trendlinie nicht wirklich nach oben geht. Es geht nicht wirklich nach unten, was im Grunde bedeutet, egal wie hoch der Rabatt gegeben ist, es ändert nicht wirklich den Umsatz, wie Sie sehen können. Und in diesem, können Sie sehen, dass in unserem Marketing-Budget, es ist klar, dass die eingestellt ein Marketing-Budget. Also, um unsere Gedanken zu engagieren. Auch in den meisten Fällen, desto höher unsere Celsius. Und wie Sie auch an dieser Trendlinie sehen können, nimmt eine Art Trendlinie den Durchschnitt all unserer verschiedenen Datentresore genau hier. Dies ist also eine großartige visuelle Möglichkeit, Korrelationen und als Ergebnis Ihrer Regressionsanalyse zu veranschaulichen. Diese wird jedoch tatsächlich nicht aus dieser Regressionsanalyse erstellt. Ich habe es gerade aus den Rohdaten verwendet. Dies sind also zwei verschiedene Möglichkeiten, um die Regression zu analysieren. Dieser ist jedoch visueller und klarer, wenn Sie jemandem kurz Informationen zur Verfügung stellen möchten, aber dieser geht ein wenig tiefer , ob es wirklich eine Regression gibt. Das war also darum. Wir haben unsere Diagramme erstellt sind sie bereits hier. Ich lade diese Datei als Öl in die Klasse hoch. Also, wenn Sie es überprüfen möchten, zögern Sie nicht, es herunterzuladen und hinein zu gehen, in sich selbst zu gehen. Und ich habe beide hochgeladen, um MV unvollendet Persisch zu beenden. Also ja, für den Fall wieder, lassen Sie mich Fragen im Video unten wissen und ich werde Ihnen helfen. Und wir sehen uns im nächsten Video, wo wir unsere Klasse abschließen werden. Danke, dass Sie zugesehen haben. 10. Outro / Abmoderation: Großartig. Du hast es bis zum Ende der Klasse geschafft. Also in dieser Klasse haben wir gelernt, wie wir eine lineare und saisonale Prognosen tun können. Und Sie haben auch gelernt, wie Sie eine Regressionsanalyse erstellen und analysieren können. Wenn Sie noch Fragen zu dem haben, was wir in dieser Klasse gelernt haben, zögern Sie nicht, eine gemeinsame unten zu lassen, und ich werde Ihnen so schnell wie möglich mit einer Lösung antworten. Für den Fall, dass Sie diese Klasse genossen haben. Und du denkst, dass du etwas aus dieser Klasse gelernt hast, hat mir wirklich sehr geholfen. Wenn du eine Bewertung auf meinem Profil hinterlassen würdest. Und ich hoffe, ich sehe Sie in jedem meiner anderen Klassen, wo ich zum Beispiel lehre, wie man ein interaktives Dashboard in Excel erstellt. Und auch eine Klasse über die grundlegenden Datenanalyse-Tools, die wir ein Excel haben. Also hoffe ich, dass ich dich in einem meiner anderen Klassen sehen werde. Und danke, dass du diesem gefolgt bist.