以上，摘自网络，属于给了碗汤但没给勺的那种~
下面，简单聊聊“勺”的问题~
有个段子这么说：“掐指一算，明年多挣5000万。”听起来简单，但在真实的业务环境中，要实现高质量的销售预测却相当具有挑战性。
为何如此难呢？因为销售受到众多因素影响，需要考虑的因素繁多，而且，不同行业和渠道之间存在显著差异。因此，我们必须根据具体业务场景和特定假设前提来建立销售预测模型，并在此基础上展开深入讨论。
业务背景：
某500强品牌企业下的BU，主营业务为办公用品的生产销售，销售主要依赖经销商，分散在全国各个区域，占比销售业绩的90%。还有自己的电商平台，销售占比约10%。
现销售负责人需要预测明年的销售额来制定年度目标以及费用预算。问如何预测？
假设前提：
在不考虑外部市场环境的巨大变化（例如疫情黑天鹅事件、竞争对手变动）以及内部经营战略的重大调整（如企业转型、收购兼并、大客户流失等）的情况下，预计明年企业的销售额将在历史同期水平的基础上经历相对稳定的增长或下降。
历史数据来源准确可靠、维度齐全。
预测方法：
基于企业性质（经销商为主，且企业已经处于完全竞争的博弈阶段，市场份额基本定型，且销售波动有规律可循），选择时间序列模型，从客户角度做预测更合适。
具体思路：
历史销售数据（标杆年0.35 + 年滚动0.65）*增长率，融入业务经验（客户数、客户价值允许业务自主调参），对未来销售进行预测吧。
此种方法业务逻辑相对清晰，参数设置简单。
初版销售预测可视化效果如下图：
1、可以自由选取需求对标的标杆年份
2、期望增长率和客户数预测可以自由调整
然后我们再来看看怎么实现这个需求~
01 数据导入
打开FineBI6.0，在tab【我的分析】中新建分析主题，弹出【选择数据】框，将Excel数据导入（当然，当前工程上有数据的话，可以直接调用工程上的数据）。
工具：FineBI6.0
数据样例：
02 新建参数&指标
第一步：建参数
1、建四个参数：标杆年&预测年（时间类型）、增长%指标&客户数（数值类型），如下图：
2、新建仪表板，增加两个时间过滤组件，两个数值下拉组件，将四个参数与组件绑定：
设置参考下图：
2.1举例，标杆年（时间过滤组件）：
2.2 举例，客户数（数值过滤组件）
第二步：增加指标计算
1、复制“销售额”指标，重命名为“销售额-预测年”后增加过滤条件如下图，过滤条件绑定参数“p_预测年”
2、复制“销售额”指标，重命名为“销售额-标杆年”后增加过滤条件如下图，过滤条件绑定参数“p_标杆年”
3、复制“销售额”指标，重命名为“销售额-标杆年同期”后增加过滤条件如下图，过滤条件绑定参数“p_标杆年”
4、添加计算字段，标杆年的销售额同比，
SUM_AGG(销售额-标杆年)/SUM_AGG(销售额-标杆年同期)-1
5、复制“客户ID”字段后转化为指标，重命名为“客户数-预测年”后增加过滤条件如下图，过滤条件绑定参数“p_预测年”
6、复制“客户ID”字段后转化为指标，重命名为“客户数-标杆年”后增加过滤条件如下图，过滤条件绑定参数“p_标杆年”
7、添加计算字段，计算预测年份（可在仪表板上的参数范围内自由筛选）往前滚动一年的移动平均值，此处需要注意，年月日要处理成年月再计算
DEF(AVG_AGG(DEF(SUM_AGG(销售额),DATE(YEAR(订单日期),MONTH(订单日期),1))),DATE(YEAR(订单日期),MONTH(订单日期),1),[DAYVALUE(DATE(YEAR(订单日期),MONTH(订单日期),1)) <= EARLIER(DAYVALUE(DATE(YEAR(订单日期),MONTH(订单日期),1))),DAYVALUE(DATE(YEAR(订单日期),MONTH(订单日期),1)) +365 > EARLIER(DAYVALUE(DATE(YEAR(订单日期),MONTH(订单日期),1)))])
8、添加计算字段，计算销售预测
(SUM_AGG(DEF_ADD(SUM_AGG(移动平均-12M),[YEAR(订单日期),MONTH(订单日期)],[订单日期> MONTHDELTA(DEF(MAX_AGG(DATE(YEAR(p_预测年),1,1))),-11),订单日期<def(max_agg(date(year(p_< span="">预测年),1,1)))]))*0.65+SUM_AGG(销售额-标杆年)*0.35)*(1+p_增长%指标/100)
9、添加计算字段，计算客户价值预测
10、添加计算字段，计算单个客户价值（DEF_ADD(SUM_AGG(销售额),客户ID)），OK后转化为维度
03 制作仪表板
此处通过指标卡&分组表展示：
1、回到仪表板，再新建6个指标卡
1.1标杆年的 销售额、客户数、客户价值
1.2预测年的 销售额、客户价值
2、指标卡ok后，再来设置“客户价值区间”这个分组表
2.1 标杆年的 客户价值区间
2.2 预测年的 客户价值区间
其它仪表板美化不再赘述，最终效果如下：
04 小结
FineBI实现预测模型最大的难点在绑定参数计算指标（本篇第二部分），另外就是仪表板可以呈现出的效果和想象中有一定的差距，不过没关系，先有再优，V2版本就在不远处~
来源：BI实战
