Cara menggunakan fungsi FORECAST.ETS Excel -

Daftar Isi

Ringkasan

Fungsi Excel FORECAST.ETS memprediksi nilai berdasarkan nilai yang sudah ada yang mengikuti tren musiman. FORECAST.ETS dapat digunakan untuk memprediksi nilai numerik seperti penjualan, inventaris, pengeluaran, dll. Dengan pola musiman.

Tujuan

Memprediksi nilai dengan tren musiman

Nilai kembali

Nilai yang diprediksi

Sintaksis

= FORECAST.ETS (target_date, nilai, garis waktu, (musiman), (data_completion), (agregasi))

Argumen

  • target_date - Waktu atau periode untuk prediksi (nilai x).
  • nilai - Nilai yang ada atau nilai historis (nilai y).
  • garis waktu - Nilai garis waktu numerik (nilai x).
  • kemusiman - (opsional) Penghitungan musiman (0 = tidak ada kemusiman, 1 = otomatis, n = lamanya musim dalam unit garis waktu).
  • data_completion - (opsional) Perlakuan data tidak ada (0 = diperlakukan sebagai nol, 1 = rata-rata). Default-nya adalah 1.
  • agregasi - (opsional) Perilaku agregasi. Default adalah 1 (RATA-RATA). Lihat opsi lain di bawah.

Versi: kapan

Excel 2016

Catatan penggunaan

Fungsi FORECAST.ETS memprediksi nilai berdasarkan nilai yang ada yang mengikuti tren musiman. FORECAST.ETS dapat digunakan untuk memprediksi nilai numerik seperti penjualan, inventaris, pengeluaran, dll. Dengan pola musiman.

Untuk menghitung nilai prediksi, FORECAST.ETS menggunakan sesuatu yang disebut pemulusan eksponensial rangkap tiga. Ini adalah algoritma yang menerapkan pemulusan keseluruhan, pemulusan tren, dan pemulusan musiman.

Contoh

Dalam contoh yang diperlihatkan di atas, rumus di sel D13 adalah:

=FORECAST.ETS(B13,sales,periods,4)

di mana penjualan (C5: C12) dan periode (B5: B12) diberi nama rentang. Dengan input ini, fungsi FORECAST.ETS mengembalikan 618.29 di sel D13. Saat rumus disalin ke bawah tabel, FORECAST.ETS mengembalikan nilai prediksi dalam D13: D16, menggunakan nilai di kolom B untuk tanggal target.

Bagan di sebelah kanan menunjukkan data ini diplot di sebar plot.

Catatan: Sel D12 disetel sama dengan C12 untuk menyambungkan nilai yang sudah ada ke nilai yang diprediksi dalam bagan.

Catatan argumen

Argumen target_date mewakili titik pada garis waktu yang harus dihitung prediksi.

Argumen nilai berisi larik atau rentang data dependen, juga disebut nilai y. Ini adalah nilai historis yang ada untuk menghitung prediksi.

Argumen garis waktu adalah larik atau rentang nilai independen, juga disebut nilai x. Garis waktu, harus terdiri dari nilai numerik dengan interval langkah yang konstan. Misalnya, garis waktu bisa tahunan, triwulanan, bulanan, harian, dll. Garis waktu juga bisa berupa daftar sederhana periode numerik, seperti pada contoh yang ditampilkan.

Argumen kemusiman adalah opsional dan mewakili panjang pola musiman yang dinyatakan dalam unit garis waktu. Misalnya, dalam contoh yang ditampilkan, data adalah kuartalan, jadi kemusiman diberikan sebagai 4, karena ada 4 kuartalan dalam setahun, dan pola musiman adalah 1 tahun. Nilai yang diizinkan adalah 0 (tanpa musim, gunakan algoritme linier), 1 (hitung pola musiman secara otomatis), dan n (panjang musim manual, angka antara 2 dan 8784, inklusif). Angka 8784 = 366 x 24, jumlah jam dalam satu tahun kabisat.

Argumen data_completion bersifat opsional dan menentukan bagaimana FORECAST.ETS harus menangani titik data yang hilang. Opsinya adalah 1 (default) dan nol. Secara default, FORECAST.ETS akan memberikan poin data yang hilang dengan rata-rata poin data tetangga. Jika nol diberikan, FORECAST.ETS akan memperlakukan titik data yang hilang sebagai nol.

Argumen agregasi bersifat opsional, dan mengontrol fungsi apa yang digunakan untuk menggabungkan poin data saat garis waktu berisi nilai duplikat. Standarnya adalah 1, yang menentukan RATA-RATA. Opsi lain diberikan pada tabel di bawah.

Catatan: Lebih baik melakukan agregasi sebelum menggunakan FORECAST.ETS untuk membuat perkiraan seakurat mungkin.

Nilai Tingkah laku
1 (atau dihilangkan) RATA-RATA
2 MENGHITUNG
3 COUNTA
4 MAKS
5 MEDIAN
6 MIN
7 JUMLAH

Kesalahan

Fungsi FORECAST.ETS akan mengembalikan kesalahan seperti yang ditunjukkan di bawah ini.

Kesalahan Sebab
#NILAI!
  • target_date bukan numerik
  • musiman bukan numerik
  • data_completion bukan numerik
  • agregasi bukan numerik
# T / A
  • nilai dan garis waktu tidak memiliki ukuran yang sama
#NUM
  • Langkah yang konsisten tidak dapat ditentukan di timeline
  • Semua nilai garis waktu sama
  • Nilai musim tidak dalam 0-8784
  • Nilai untuk data_completion bukan 0 atau 1
  • Nilai agregasi tidak dalam 1-7

Artikel yang menarik...