从理论到实战：滚动周期分析如何重塑PMC中的销售预测与决策

2024年03月优秀创作者

销售分析是生产计划PMC中一项非常重要的工作，销售的分析方法众多，昨天我们已经对其中的方法之一的“首尾分析”进行详细的说明，今天继续分享其中的一种方法：“滚动周期分析”。

举例来说，假设一家服装工厂希望评估新一季度产品线的市场反馈。通过设定一个3天的滚动周期，工厂可以连续监测每个周期内特定产品的销售量，快速辨认哪些款式迅速成为热销商品，哪些则反响平平。进一步地，如果将窗口扩展至7天、14天、30天或更长，工厂还能深入探究消费者购买行为中的月度或季度规律，为库存管理与产品推广策略的调整提供依据。

此外，"滚动周期分析"在预测未来销售趋势方面也展现出了独特价值。结合移动平均、指数平滑等统计模型，工厂能基于过往的滚动周期数据，构建更为准确的销售预测模型。这对于规划生产进度、原材料采购乃至财务预算的制定都至关重要，确保工厂在快速变化的市场环境中保持竞争力。

值得注意的是，实施“滚动周期分析”时，数据的准确性和完整性是基础。工厂需确保收集到的数据实时、可靠，并适当处理异常值或缺失数据，避免分析结果出现偏差。同时，随着分析深入，适时调整分析窗口的长度，以适应不同业务场景的需求，也是提高分析有效性的重要手段。

案例分析

为了帮助大家更深入地理解“滚动周期分析”，古老师采用了某服装工厂的实际销售数据作为示例进行解析。展示的是一份名为《销售明细表》的表格，该数据直接来源于工厂的信息化管理系统，格式清晰规范。

具体而言，表格结构如下：B列自上而下罗列了所有产品名称，构成了垂直轴；而水平方向上，C2列至AF2列则铺陈了一段日期范围，形成了时间的横轴。在此基础上，C3至AF12的单元格区域构成了一个密集的数据矩阵，每一格都记录着对应产品在特定日期的销售量，从而搭建起一个直观且易于分析的二维数据视图。

当前的需求是：在AI1单元格中输入查询日期，例如2024年5月7日，系统应自动执行滚动周期分析，并输出基于该日期往前计数的3天、7天、14天及30天内，所有产品的累计销售总量。此过程需具备灵活性，即当查询日期更新为例如5月1日时，分析区间应自动调整，确保始终以前述时间间隔为准，围绕新输入的日期展开统计分析。

需求分析

如前所述的滚动累计分析图表中，其挑战核心在于应对查询日期的实时变动。为满足这一动态需求，关键在于精确锁定查询日期在《销售明细表》时间轴上的确切位置，这可通过MATCH函数实现，该函数能识别查询日期在C2至AF2列时间序列中的确切坐标。

一旦获取该位置，即可利用此位置索引指导数据提取的范围，借助TAKE函数仅选取相关数据，形成一个基于该日期的大范围数据矩阵。随后，再次运用TAKE函数，针对此大矩阵细分出代表前3天、7天、14天及30天的各个小矩阵，每个小矩阵对应不同周期的销售数据子集。

最后阶段，应用BYROW函数配合SUM函数对每个小矩阵的行数据进行汇总，以此完成针对不同周期的销售量合计计算。如此一来，便形成了一套根据用户所选查询日期自动生成相应周期销售汇总的灵活滚动周期分析方案，确保了分析结果的时效性和准确性。

判断位置

在需求分析之后，首当其冲的任务是确定查询日期的准确位置，通过执行下列公式实现这一目的：

=MATCH(AI1,--C2:AF2,0)

该公式释义如下：

查找值：AI1 即用户输入的查询日期，例如 5-6。

目标范围：--C2:AF2 指定为横向时间轴，覆盖从 4-7 到 5-6 的一系列日期。由于原始数据源自信息系统并以文本形式存在，双负号 -- 的使用旨在将这些文本日期强制转换为数值以便比较。

匹配类型：指定为0，意味着我们正在寻找与 AI1 完全相等的值。

公式的执行结果为30，这意味着所查询的日期位于该序列的第 30 列上。

请参考下图以直观理解上述操作的效果：

保留大矩阵

获取到数字30 后，我们将利用 TAKE 函数来提取一个动态的“数据子集”以构建所需的数据范围。具体应用的公式如下：

=TAKE(C3:AF12,,MATCH(AI1,--C2:AF2,0))

对此公式的解释如下：

TAKE函数：此函数用于从给定的数组或范围中提取一部分数据。在这个场景中，它负责选取一个动态的数据段。

范围：C3:AF12 是原始的大数据矩阵，包含了我们感兴趣的完整数据集。

省略的行数参数：这里留空（用两个逗号`,,' 表示），意味着我们不针对行数进行特定选择，而是取整个指定范围内的所有行。

列数参数：MATCH(AI1,--C2:AF2,0) 部分之前已解释，它计算出查询日期所在的列位置。在此处作为列数参数，指示 TAKE 函数应提取多少列——即直到与 AI1 匹配的列为止。

综上所述，该公式的作用是从C3 到 AF12 的范围内，根据之前匹配到的列位置（本例中为第 30 列），提取相应的列数据，形成一个新的、动态调整的“小矩阵”，便于后续的数据处理或分析。

效果如下图所示：

动态小矩阵

构建好动态的“数据子集”之后，接下来将进入数据分析阶段。首先，在表格的水平方向上设置分析的标题，依次录入各周期的销售总结指标，即("3天总销量", "7天总销量", "14天总销量", "30天总销量"）。与此同时，确保在垂直方向上列出与销售明细表中的产品相对应的清单，例如("A001"，"A002"，"A003"……)，确保每项产品都能与其实现一对一的匹配，以便后续计算各产品的滚动周期销售总量。

录入以下公式：

=BYROW(TAKE(TAKE(C3:AF12,,MATCH(AI1,--C2:AF2,0)),,-3),SUM)

函数解释：

该公式的逻辑分解如下：

第一个TAKE 功能是从原始数据范围 C3:AF12 中提取一个动态的“大矩阵”，其列数由 MATCH(AI1,--C2:AF2,0) 确定，这里假设结果为30，即包含查询日期及其之前的29列数据。

第二个TAKE 在第一个结果的基础上操作，通过 -3 参数保留最右侧的3列。这意味着我们现在关注的是查询日期前的最近3天数据。

BYROW 配合匿名函数 LAMBDA(x,SUM(x))，对第二个 TAKE 得到的每行数据进行逐行求和。这样做能够计算出每个产品在这3天内的销售总量。

因此，通过上述步骤，我们成功计算出了查询日期往前数3天内，所有产品的每日总销量，实现了对特定滚动周期销售数据的快速汇总。

效果如下图所示：

一键公式

里我们已经计算出查询日期前3天的销售总量。若还需获得前7天、14天以及30天的销售量，除了简单地向右拖动公式外，也可采取更高效的方式，利用REDUCE函数结合LAMBDA实现一键式动态生成。具体公式如下：

录入以下公式：

=DROP(REDUCE("",{"3";"7";"14";"30"},LAMBDA(X,Y,HSTACK(X,BYROW(TAKE(TAKE(C3:AF12,,MATCH(AI1,--C2:AF2,)),,-Y),SUM)))),,1)

公式解析：

REDUCE 函数的运用是核心，其参数包括：

初始值：一个空字符串""，标记为 X，用于累积结果的起点。

数组：{"3","7","14","30"}，代表需要分析的不同天数周期，每个周期定义为 Y。

LAMBDA表达式：对于每个周期 Y，执行一次 BYROW 函数，基于之前提及的 TAKE 方法获取对应天数的数据，并计算每行的总和，然后通过 HSTACK 将新计算的结果水平堆叠到累积结果 X 之后。

HSTACK 用于组合数据，它将每次循环计算出的销售总量列与之前的结果合并，逐步构建出包含所有周期总销量的宽矩阵。

DROP 函数在这里用来去除由于初始值引入的第一列空值，确保最终结果的整洁。

通过以上公式，我们一次性完成了对查询日期前不同周期（3天、7天、14天、30天）销售总量的计算，并直接呈现为一列列清晰的数据，无需手动逐个拖拽公式，大大提高了工作效率。

效果如下图：

累计平均

已有的滚动汇总销售量分析基础上，如需转换为滚动累计销售平均值的分析，操作简便：只需将BYROW部分使用的SUM函数替换为AVERAGE函数即可实现目标。

录入公式：

=DROP(REDUCE("",{"3";"7";"14";"30"},LAMBDA(X,Y,HSTACK(X,BYROW(TAKE(TAKE(C3:AF12,,MATCH(AI1,--C2:AF2,)),,-Y),AVERAGE)))),,1)

效果如下图所示：

最后总结：

通过上述详尽的介绍与实践，我们不仅深刻理解了“滚动周期分析”在销售数据分析中的应用价值，还掌握了一套动态、高效的分析方法，该方法能够根据用户选定的查询日期，自动完成不同周期（如3天、7天、14天、30天）的销售量汇总或平均值计算。这一过程充分利用了WPS高级函数如MATCH、TAKE、BYROW、REDUCE及LAMBDA的强大功能，展现了数据处理的高度灵活性与自动化潜力。

本案例不仅突显了“滚动周期分析”在快速响应市场变化、优化库存管理、指引产品策略调整等方面的重要性，还通过实际操作示范，证明了技术工具在提升决策效率与精准度方面的巨大优势。特别地，能够轻松切换至销售平均值分析的机制，为工厂的多元化分析需求提供了有力支持。

总之，“滚动周期分析”作为一种强大的分析手段，其在生产计划PMC框架内的有效实施，不仅加深了对消费者行为模式的理解，还为工厂构筑了一个坚实的数据驱动决策平台。随着数据科学与人工智能技术的持续进步，未来的销售分析将更加智能化、个性化，为制造业乃至更多行业带来深远的影响。掌握并不断创新此类分析技巧，无疑将成为工厂持续成长与适应未来竞争的关键所在。

345 销售数据深度透视：‘首尾分析’引领PMC决策新境界

344 智能化革新！PMC专员如何一键优化订单追踪报表

343 告别手动核对，WPS智能公式优化工厂五一假日排班管理

342 智能订单管理：一键自动化编号，重塑PMC效率巅峰

341 SCAN函数应用：连续达标奖金计算法：高效自动化策略激发生产力

340 仓库管理革新：WPS之PIVOTBY函数引领出入库数据转型新篇章

339 BYROW &amp;amp;amp;amp;amp;amp; XLOOKUP革新：采购数据分析的智能提速策略

338 GROUPBY函数：WPS革新二维转一维，数据处理新高效

337 统筹兼顾，双线并进：解析100万订单背后的连续生产与拉动式策略

336 产能解析与智能排程：制程一Semi爬坡至稳产之路

335 产能优化：工作日历、UPH与直通率助力1M订单高效排产

334 全面解读PMC面试难题：基于WPS表格构建有效工作日历与排产