Kurz analýzy dat a predikce v Excelu

Lekce 1 • Ověřování dat a kontrola kvality

Používá ověřovací pravidla a podmíněné formátování k zajištění integrity dat. Čisté vstupy jsou předpokladem pro přesné prognostické výstupy.

Lekce 2 • Orientace v rozhraní Excelu

Pokrývá pásy karet, nástroje rychlého přístupu a klávesové zkratky nezbytné pro rychlou práci. Nastavuje základní pracovní prostředí pro všechny následující analytické úkoly.

Lekce 3 • Základní dovednosti práce se vzorci

Seznamuje s aritmetickými, logickými a vyhledávacími vzorci používanými v prognózování. Studenti vytvářejí znovupoužitelné a auditovatelné řetězce vzorců.

Lekce 4 • Řazení, filtrování a tabulky

Pokrývá excelovské tabulky, automatický filtr a pokročilé možnosti řazení pro izolaci podmnožin dat. Tyto dovednosti urychlují explorační analýzu před modelováním.

Lekce 1 • Popisná statistika pro časové řady

Aplikuje míry průměru, rozptylu a autokorelace k charakterizaci chování řady. Tyto statistiky informují o volbě prognostické techniky.

Lekce 2 • Dekompozice časové řady

Rozkládá řadu na trendovou, sezónní a reziduální složku pomocí vzorců Excelu. Výsledky dekompozice se znovu používají v kapitolách o exponenciálním vyrovnávání a regresi.

Lekce 3 • Vizualizace vzorů časových řad

Vytváří spojnicové, sloupcové a kombinované grafy k vizuálnímu odhalení trendů a sezónních cyklů. Interpretace grafů řídí výběr modelu v pozdějších kapitolách.

Lekce 4 • Koncepty a terminologie časových řad

Definuje složky časových řad a vysvětluje, proč na časovém pořadí záleží. Stanovuje slovník používaný v každé následující prognostické kapitole.

Lekce 1 • Dvojité exponenciální vyrovnávání pro trendy

Rozšiřuje vyrovnávání na řady s lineárním trendem pomocí dvou vyrovnávacích parametrů. Studenti aplikují Holtovu metodu a interpretují složku úrovně a trendu.

Lekce 2 • Jednoduché exponenciální vyrovnávání

Představuje parametr alfa a rekurzivní logiku vyrovnávání pro řady pouze s úrovní. Studenti optimalizují alfu pomocí Řešitele, aby minimalizovali chybu prognózy.

Lekce 3 • Trojité exponenciální vyrovnávání pro sezónnost

Přidává sezónní složku pro zpracování periodických vzorů pomocí Holt-Wintersovy metody. Studenti sestaví celý model a vyhodnotí jej oproti benchmarkům dekompozice.

Lekce 4 • Vážené klouzavé průměry

Přiřazuje vlastní váhy nedávným pozorováním pro snížení zpoždění. Studenti porovnávají citlivost WMA oproti SMA na různých datových sadách.

Lekce 1 • Sledovací signál a detekce vychýlení

Implementuje sledovací signál k detekci systematického driftu v chybách prognózy v průběhu času. Včasná detekce vychýlení zabraňuje kumulaci chyb v klouzavých prognózách.

Lekce 2 • Výběr modelu a benchmarking

Porovnává více modelů pomocí strukturovaného scorecardu a vybírá nejvhodnější. Studenti dokumentují zdůvodnění výběru pro komunikaci se zainteresovanými stranami.

Lekce 3 • Rozdělení na trénovací a testovací data a validační ověření

Aplikuje vyhodnocení na vzorku a mimo vzorek, aby se zabránilo přeučení. Studenti strukturují sešity Excelu tak, aby oddělili trénovací a validační období.

Lekce 4 • Klíčové metriky přesnosti v Excelu

Vytváří vzorce MAE, RMSE a MAPE od základu a interpretuje jejich kompromisy. Každá metrika je propojena se specifickým kontextem obchodního rozhodování.

Lekce 1 • Vícenásobná regrese pro kauzální prognózování

Přidává více prediktorů k zachycení kauzálních hnacích sil prognózované proměnné. Studenti používají regresní výstup z Analytických nástrojů a interpretují všechny koeficienty.

Lekce 2 • Čas jako prediktorová proměnná

Kóduje časová období jako numerické prediktory k modelování lineárních trendů pomocí regrese. To propojuje metody vyrovnávání a kauzální regresní přístupy.

Lekce 3 • Diagnostika a validace regrese

Testuje předpoklady regrese pomocí reziduální analýzy a statistik vlivu. Validní modely produkují spolehlivé prognózy mimo vzorek.

Lekce 4 • Základy jednoduché lineární regrese

Odvozuje regresní přímku pomocí LINEST a Analytických nástrojů. Studenti interpretují směrnici, průsečík a R-kvadrát v kontextu prognózování.

Lekce 1 • Analýza citlivosti pomocí datových tabulek

Používá jedno- a dvourozměrné datové tabulky k mapování toho, jak klíčové vstupy ovlivňují výstupy prognózy. Tornádo grafy vizualizují, které předpoklady mají největší dopad.

Lekce 2 • Vytváření prognostických modelů řízených předpoklady

Strukturuje prognostické moduly s jasně oddělenými zónami vstupů, výpočtů a výstupů. Modulární návrh umožňuje rychlé změny předpokladů bez chyb ve vzorcích.

Lekce 3 • Přehled nástrojů analýzy Co když

Představuje Hledání řešení, datové tabulky a Správce scénářů jako nativní sadu nástrojů Co když v Excelu. Každý nástroj je přiřazen specifickému typu prognostické otázky.

Lekce 4 • Optimistický, základní a pesimistický scénář

Definuje a dokumentuje rámce tří scénářů sladěné s cykly obchodního plánování. Studenti generují souhrny scénářů pomocí sestav Správce scénářů.

Lekce 1 • Modely vyrovnávání optimalizované Řešitelem

Používá Řešitele v Excelu k minimalizaci RMSE optimalizací všech parametrů vyrovnávání současně. Studenti omezí parametry na platné rozsahy a interpretují konvergenci.

Lekce 2 • Prokládání nelineárních a polynomických trendů

Prokládá exponenciální, logaritmické a polynomické křivky datům s nelineárním růstem. Studenti používají LOGEST a rovnice spojnice trendu z grafu pro prognózování.

Lekce 3 • Hierarchické a agregované prognózování

Vytváří odsouhlasení prognóz shora dolů, zdola nahoru a ze středu v Excelu. Studenti zajišťují, aby disagregované prognózy odpovídaly součtu za agregát.

Lekce 4 • Prognózování přerušované poptávky

Řeší sporadické řady poptávky s mnoha nulami pomocí Crostonovy metody a jejích variant. Studenti identifikují přerušované vzory a aplikují příslušné vzorce Excelu.

Lekce 1 • Intervaly spolehlivosti prognózy na grafech

Přidává řady horní a dolní meze do grafů pro vizualizaci nejistoty prognózy. Studenti vypočítávají šířky intervalů ze statistik chyb a formátují stínované pásy.

Lekce 2 • Komunikace prognóz zainteresovaným stranám

Strukturuje písemné a ústní narativy prognóz pro výkonné a provozní publikum. Studenti přizpůsobují úroveň detailu, terminologii a vizuální složitost každému publiku.

Lekce 3 • Dynamické grafy s průřezy a časovými osami

Propojuje kontingenční grafy s ovládacími prvky průřezů a časové osy pro interaktivní filtrování. Uživatelé zkoumají data prognózy, aniž by se dotýkali podkladových vzorců.

Lekce 4 • Principy návrhu dashboardu

Aplikuje principy rozvržení, barev a hierarchie k vedení pozornosti diváka. Dobrý design snižuje nesprávnou interpretaci výstupů prognózy netechnickým publikem.