统计学：没你想得那么难

 

       很多人不愿意关注统计学知识，认为这样的知识离我们的生活和工作太遥远、实用性太小。作为营销人员，在通晓营销的常用公式、精于计算上，已经是疲于应付了，再去面对统计学复杂的数理知识，这似乎是一个不可能完成的任务。

 

       一分钟搞定统计学——用最简单的方法解决销售测算模型

 

       很多对数学有天生恐惧症的人，看了第二节五个经典销售测算模型的计算过程后，估计已经两眼发黑、手心冒汗了。对于那些没有统计学基础，又希望通过统计学的测算模型结果对销售进行监控的人，有没有捷径，让我们用最简单的方法，就能快速得出测算结果，至少先把这五个最经典的销售模型的测算结果掌握好？

        事实上，软件行业的发展，尤其是一些专门的统计软件的诞生，如SPSS的出现，让很多专业人士得到解脱。但遗憾的是，任何事情都有利有弊，SPSS软件的操作和使用也需要专门的学习，有些参数的设定比较复杂。本节要给大家介绍的是，如何利用Excel快速解决销售测算模型。

 

进出货均衡性监控的对应函数——STDEVPA函数

 

         均衡进出货的监控，实际上是样本对整体数据平均值偏离情况的监测，在收集到日进出货或者月进出货数据后，怎样快速得出数据对均值的偏离情况？这里利用Excel中的总体标准差函数——STDEVPA。

例如，6、7月的日出货数据（单位：万元）见下表（表10-9），采用总体标准差函数STDEVPA ，如何快速得出6、7月各自出货的偏离程度？

 

表10-8  6、7月的日出货数据

 

 

 

        在Excel中将日出货数据列表如上表（表10-8），在工具栏选择“公式”——“插入函数”，在搜索函数中输入“STDEVPA”，然后点击确定。在Value1中选定6月份对应的30个数据{B2︰AE2}，点击确认，即可得到6月份总体标准差值257。

       同样，按上述操作，在Value1中选定7月份对应的31个数据{B3︰AF3}，即可得到7月份总体标准差值为127。

相较于复杂的总体标准差计算公式

＝（ ）

     Excel的函数功能为我们提供了非常简便的计算途径。通过结果，能快速判断日、月度、季度销售波动情况。

 

 

客均单价测算的对应函数——CONFIDENCE函数及STDEV函数

 

       除了能快速监测进货后的波动外，Excel在客单价的计算方面也很方便。客单价计算最重要的两个函数功能——样本标准差STDEV函数及置信区间CONFIDENCE函数。需要提醒营销人员的是，本处的样本标准差STDEV函数与前面提到的总体标准差STDEVPA函数的差别在于：STDEV函数是对抽样样本的标准差的计算，而STDEVPA函数是对全样本标准差的计算；STDEVPA函数比STDEV函数计算出来的标准差，更能代表实际的偏差情况。由于无法穷尽样本，所以很多时候也用样本标准差代替总体标准差。

      例如，抽取64张销售订单样本，求在90%的概率保证下，门店人均消费额区间估计值的范围。在Excel中，输入64个抽样样本，先求64张订单的样本标准差。

 

表10-9  64张销售订单

 

 

第一步，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“STDEV”，然后点击确定。在Number1中选定对应的64张订单数{A1︰H8}，点击确认，即可得到64张订单的样本标准差值258.78。

第二步，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“CONFIDENCE”，然后点击确定。在Alpha框中输入（1—保证概率）＝0.1，在Standard_dev框中输入样本标准差258.78，在Size框中输入样本容量64，点击确定，置信区间计算结果53.21。

第三步，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“AVERAGE”，然后点击确定。在Number1中选定对应的64张订单数{A1︰H8}，点击确认，即可得到64张订单的算术平均值223.62。

第四步，依据以上结果，我们可以得到该门店顾客客单价以90%的概率保证，将会落在[223.62±53.21]元的区间范围内。

 

       小贴士：通过函数计算出来的置信区间与通过手工计算出来的置信区间略微有差别，主要是在大批量取数时，在计算过程中四舍五入导致的，从整体来看并不影响计算结果的准确性。

 

影响销售结果的量化公式——并不高深的一元线性回归方程

 

       很多人都想知道，到底有哪些因素影响销售？有没有一个更加清晰的量化工具，让我们对影响销售结果的因素像“1＋1＝2”那么清晰？实际上在对销售结果相关系数的测定和检验中，我们还可以再进一步，那就是根据测算结果建立一个一元线性回归方程，将投入与产出的影响量化得更加清晰。当然，通过手工计算一元线性回归方程，相对比较繁琐，如果能够充分利用Excel的计算功能，过程非常简单。

       本节介绍的正是从r值的计算到线性方程的建立，如何最大程度上利用Excel的计算功能，将过程简化？

       以表10-5的数据为基础，模拟一个简单的一元线性回归方程，如表（表10-10）所示，首先开始销售相关系数r的计算。

 

表10-10 投放费用与销售结果在Excel中列表

 

 

 

第一步，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“CORREL”，然后点击确定。在Array1中选定对应的29次的费用投入{B2︰AD2}，再在Array2中选定对应29次的销售金额{B3︰AD3}，然后点击确认，即可得到投入费用与销售金额之间的相关系数r＝0.7917；

第二步，由于目前在Excel中没有提供r值的检验功能，建议大家暂时采用手工检验。

第三步，如果检验结果可以通过，r值的相关系数可以确认两组数据之间存在相关关系，可以通过建立两组数据之间的一元线性回归方程的方式，进一步量化相关因素对销售结果的实际影响。

一元线性回归方程的经典模型是Y＝a＋bX，在这个公式中，最主要的就是求得a值和b值。我们认定Y为因变量，代表销售结果，X为自变量，代表投入的费用。

        首先求a值，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“INTERCEPT”，然后点击确定。在Known_x’s中选定对应的29次的费用投入{B2︰AD2}，再在Known_y’s中选定对应29次的销售金额{B3︰AD3}，然后点击确认，即可得到该线性方程a值等于97283。

        然后求b值，在工具栏选择“公式”——“插入函数”，在搜索函数中输入“SLOPE”，然后点击确定。在Known_x’s中选定对应的29次的费用投入{B2︰AD2}，再在Known_y’s中选定对应29次的销售金额{B3︰AD3}，然后点击确认，即可得出该线性方程b值等于27.45。

        故投入经费与销售结果之间有明显的线性相关关系（r＝0.7917），相关模型为Y＝97283＋27.45X，即销售进入稳定期后，每投入1元的促销经费，大致能产生97310元的销售产出。

       销售构成经典模型和销售预测经典模型，虽然Excel没有提供可以直接套用的函数得出结果，但是如果能够熟练运用Excel加减乘除的计算功能，实际上整个过程也非常简单。

      在Excel的学习和应用上，有兴趣的朋友可以自行多做研究和摸索，将平时遇到一些销售上的数学问题与Excel的运算结合起来思考和应用，这不仅仅能提高office的应用能力，还能提高营销数学方面技能。