Как рассчитать прогноз продаж в Excel: от линейной регрессии до машинного обучения

Почему Excel остаётся лучшим инструментом для прогнозирования продаж

В эпоху сложных CRM-систем и облачных аналитических платформ Excel продолжает удерживать пальму первенства среди инструментов для прогнозирования продаж. Причина проста: гибкость, доступность и возможность адаптировать расчёты под специфику любого бизнеса — от маленького магазина до крупного дистрибьютора. В отличие от "чёрных ящиков" автоматизированных сервисов, здесь вы видите все формулы, можете их корректировать и понимаете, как именно формируется итоговая цифра.

Однако многие предприниматели и аналитики допускают критическую ошибку: используют Excel как калькулятор, вручную вводя коэффициенты роста или копируя данные прошлого года. Такой подход даёт иллюзию прогноза, но на деле превращает его в простую экстраполяцию без учёта сезонности, трендов и внешних факторов. В этой статье разберём 5 методов — от базовых до продвинутых — которые позволят делать прогнозы с точностью до 90% и выше.

Важно: все примеры в статье адаптированы для Excel 2019–2023 и Microsoft 365. Если вы работаете в Google Таблицах, majority функций будут работать аналогично, но синтаксис некоторых формул (например, FORECAST.ETS) может отличаться.

Метод 1: Простая линейная экстраполяция (для стабильного бизнеса)

Линейная экстраполяция — самый быстрый способ спрогнозировать продажи, если ваш бизнес развивается равномерно, без резких скачков. Метод подходит для продуктов с устойчивым спросом: канцтовары, коммунальные услуги, бакалея. Суть проста: Excel "продлевает" тренд прошлых периодов в будущее, рисуя прямую линию на графике.

Чтобы рассчитать прогноз:

1. Создайте таблицу с данными продаж по месяцам (столбец A — даты, столбец B — суммы продаж).
2. Выделите диапазон данных и нажмите Вставка → График → Точечная с накоплением.
3. Щёлкните правой кнопкой по линии графика → Добавить линию тренда → выберите Линейная.
4. В настройках линии тренда поставьте галочку Показать уравнение на диаграмме.
5. Используйте формулу из уравнения (вида y = 1,2x + 500), чтобы рассчитать будущие значения.

Пример формулы для прогноза на следующий месяц (если x — порядковый номер месяца):

=1.2*(МЕСЯЦ(ДАТА(ГОД(СЕГОДНЯ());МЕСЯЦ(СЕГОДНЯ())+1;1))-МЕСЯЦ(ДАТАНАЧ($A$2)))+500

⚠️ Внимание: Линейная экстраполяция даёт грубые результаты, если в данных есть сезонные колебания (например, рост продаж перед Новым годом). В таком случае ошибка прогноза может достигать 30–40%.

Метод 2: Скользящее среднее для сглаживания колебаний

Если ваши продажи нестабильны (например, в ритейле одежды или туризме), линейный тренд будет давать искажённые результаты. Здесь поможет скользящее среднее — метод, который "сглаживает" резкие скачки, усредняя данные за несколько периодов. Чем больше период усреднения, тем плавнее линия прогноза, но тем меньше она реагирует на реальные изменения рынка.

Как настроить скользящее среднее в Excel:

1. Добавьте новый столбец C с заголовком "Скользящее среднее".
2. В ячейку C4 введите формулу:

   =СРЗНАЧ(B2:B4)

   (где B2:B4 — первые 3 месяца продаж).

3. Растяните формулу вниз. Для прогноза на будущие периоды используйте последнее рассчитанное значение.

Оптимальный период усреднения зависит от бизнеса:

• 📦 FMCG и продукты: 3–4 месяца (быстро реагируют на изменения спроса).
• 🏢 B2B и оборудование: 6–12 месяцев (длинный цикл продаж).
• 🎁 Сезонные товары: 12 месяцев (учитывает годовой цикл).

Удалите выбросы (аномально высокие/низкие продажи)

Заполните пропуски в данных (используйте среднее или медиану)

Преобразуйте даты в числовой формат (функция ДАТАЗНАЧ)

Проверьте данные на нормальное распределение (используйте гистограмму)-->

Метод 3: Экспоненциальное сглаживание (для динамичных рынков)

Экспоненциальное сглаживание — это "умное" скользящее среднее, где новым данным присваивается больший вес, чем старым. Метод идеален для рынков с быстро меняющимся спросом (например, электроника, модные товары). В Excel для этого есть встроенная функция FORECAST.ETS (в старых версиях — ПРЕДСКАЗ.ЕТС).

Как использовать FORECAST.ETS:

=FORECAST.ETS(дата_прогноза; диапазон_значений; диапазон_даты; [сезонность]; [заполнение_данных]; [агрегация])

Пример для прогноза на январь 2026 года (если данные в A2:B25):

=FORECAST.ETS(ДАТА(2026;1;1); $B$2:$B$25; $A$2:$A$25; 12; 1; 1)

Расшифровка параметров:

⚠️ Внимание: Функция FORECAST.ETS игнорирует внешние факторы (акции конкурентов, изменения законодательства). Если такой фактор известен заранее (например, повышение НДС), скорректируйте прогноз вручную, умножив результат на поправочный коэффициент.

Метод 4: Множественная регрессия (учёт нескольких факторов)

Если продажи зависят не только от времени, но и от других переменных (например, рекламный бюджет, цена конкурентов, погодные условия), нужна множественная регрессия. Этот метод строит уравнение, где продажи (Y) зависят от нескольких X-факторов.

Алгоритм расчёта:

1. Соберите данные по всем влияющим факторам в отдельные столбцы (например, C — рекламный бюджет, D — средняя температура).
2. Установите надстройку Пакет анализа (Файл → Параметры → Надстройки → Пакет анализа).
3. Запустите Анализ данных → Регрессия, укажите:
   • Входной интервал Y: ваши продажи.
   • Входной интервал X: все факторы.

=коэф1*X1 + коэф2*X2 + ... + коэфN*XN + konst

Пример уравнения для магазина мороженого:

=1200 + 5.2*рекламный_бюджет - 30*средняя_температура + 8.7*количество_акций

Ключевые метрики из отчёта регрессии, на которые стоит обратить внимание:

• 📊 R-квадрат: показывает, какой % вариации продаж объясняется моделью (хорошо, если > 0.7).
• 🔍 P-значение: если > 0.05, фактор можно исключить из модели.
• ⚖️ Стандартная ошибка: чем меньше, тем точнее прогноз.

Метод 5: Прогнозирование с помощью Power Query и Power Pivot (для больших данных)

Если у вас тысячи строк данных (например, продажи по SKU в сети магазинов), обычные формулы Excel будут тормозить. Здесь поможет связка Power Query (для очистки данных) + Power Pivot (для построения моделей). Этот метод требует навыков работы с DAX, но даёт несоизмеримо более точные результаты.

Пошаговая инструкция:

1. Импортируйте данные в Power Query (Данные → Получить данные → Из таблицы/диапазона).
2. Очистите данные:
   • Удалите дубликаты (Главная → Удалить строки → Дубликаты).
   • Замените ошибки на null (Преобразовать → Заменить значения).
   • Добавьте столбец с номером месяца (Добавить столбец → Индекс → На основе 1).

Прогноз =
FORECAST.LINEAR(
MAX('Календарь'[Индекс]),
SUM('Продажи'[Сумма]),
'Календарь'[Индекс]
)

Преимущества Power Pivot:

• 🚀 Обрабатывает миллионы строк без тормозов.
• 🔄 Автоматически обновляет прогноз при изменении исходных данных.
• 📅 Поддерживает сложные временные иерархии (дни → недели → месяцы).

⚠️ Внимание: Power Pivot доступен только в Excel 2013+ и Microsoft 365. В Excel 2010 нужно устанавливать надстройку отдельно. Также убедитесь, что ваши данные не содержат #N/A — это приведёт к ошибкам в DAX-мерах.

Типичные ошибки при прогнозировании в Excel и как их избежать

Даже опытные аналитики допускают ошибки, которые искажают прогнозы. Вот самые распространённые:

1. Игнорирование выбросов. Резкий скачок продаж из-за акции или сбоя в данных искажает тренд. Решение: используйте МЕДИАНА вместо СРЗНАЧ или удаляйте аномалии вручную.
2. Неучёт сезонности. Прогноз на лето по зимним данным обречён на провал. Решение: всегда проверяйте данные на сезонные паттерны (используйте FORECAST.ETS с параметром сезонности).
3. Переобучение модели. Слишком сложная модель (например, регрессия с 20 факторами) может "подогнаться" под исторические данные, но даст неточный прогноз. Решение: используйте правило "один фактор на 10 наблюдений".
4. Отсутствие валидации. Прогноз считается хорошим, если ошибка на тестовых данных не превышает 10%. Решение: оставляйте последние 3–6 месяцев данных для проверки модели.

Проверьте свой прогноз на адекватность с помощью этих метрик:

FAQ: Ответы на частые вопросы о прогнозировании в Excel

=FORECAST.ETS(...) * 1.1

=FORECAST.ETS(...)  (1 + (10%  эластичность))

=FORECAST.ETS(...)  (1 + (10%  -0.5)) = FORECAST.ETS(...) * 0.95