全文约2000字
大家好，我是古老师。今天我想和大家分享一些关于PMC（生产物料控制）在销售预测方面的心得体会。当销售部门未能提供销售预测时，PMC经常需要依据历史销售数据（如出库记录）自行判断是否进行生产补货。本文不讨论为何销售部门无法提供有效的预测，而是专注于探讨PMC在日常工作中用于预测的一些方法论。
汇总历史数据在缺乏销售预测的情况下，古老师通常会创建一个同步表，用以同步ERP系统中工厂产品每日的销售数据。这份数据可以基于当月、当年或过去100天、N天的数据来构建，并据此建立一个固定的分析模型。具体操作步骤如下：
新建表格并导入数据
新建一张Excel表格，将最近半年的销售明细从ERP系统导出并复制到此表。
将该表格命名为“出库明细”。
整理和准备数据
导入的数据为一维格式，仅保留关键字段：销售日期（A列）、销售型号（B列）和销售数量（C列），确保这些信息分布在A至C列。
应用聚合函数进行数据分析
在合适的位置输入聚合函数，以便汇总每个产品的日销售量，为后续引用分析做准备：
=PIVOTBY(B2:B200000,A2:A200000,C2:C200000,SUM)
公式解释：
由于销售数据量通常较大，这里预留了20万行的空间以确保足够的数据范围用于分析。通过上述聚合函数，可以一键汇总各产品的日销售情况。
效果如下图所示：
引用历史日销新建一张表，并命名为“产品MPS”，专门用于产品数据分析和引用。
在A列中列出具体的型号。并在水平方向（即行标题）填写具体的日期。这里设计为固定日期范围，从2024年12月31日开始向前推100天。
在水平方向的首单元格（例如B1）中输入以下公式，以生成日期序列：
=SEQUENCE(,100,"2024-09-23")
公式解释：
此公式将生成一个包含100个元素的序列，每个元素代表一天，从2024年9月23日开始，直至100天后，到2024年12月31日。
根据实际管理需求，我们在这里预留了从2024年12月13日至2024年12月31日的日期空间，以便处理每日新增的销售数据。这一段预留的空间确保了有足够的日期范围来记录和分析未来的日销售情况。
对于后续的日销售数据，系统将依据前一张表中的动态聚合函数进行汇总，并自动索引这些数据到本表中，从而实现动态分析。这意味着，每当有新的销售数据产生时，它们会自动被纳入到当前的分析框架中，保证数据分析的实时性和准确性。
接下来，我们使用INDEX函数将“出库明细”表中已经聚合的数据引用过来。这里不直接使用SUMIFS函数进行汇总求和的原因是，由于数据量非常大，使用SUMIFS会导致运算效率显著降低：
=IFERROR(INDEX(出库明细!E2#,MATCH(A2:A221,出库明细!E2:E221,0),MATCH(B1#,出库明细!E1#,0)),0)
公式解释：
该公式通过两个MATCH函数确定产品和日期在“出库明细”表中聚合结果的位置，然后使用INDEX函数引用这些位置上的值。
第一个MATCH函数用于匹配产品型号（即A列中的值）在“出库明细”表中的位置。
第二个MATCH函数用于匹配日期（即B行中的值）在“出库明细”表中的位置。
IFERROR函数用于处理可能的错误情况，如果找不到匹配项，则返回0，以避免显示错误信息。
动态分析数据通过上述公式，我们已经成功建立了销售日期与分析表MPS之间的联动。接下来，我们将设置几个关键的销售预测分析点。具体步骤如下：
新建四列用于录入天数
在新表中新建四列，分别输入数字：7、15、30、60。
应用自定义数据格式
为这四列设计自定义的数据格式：“最近@日均销售”，其中“@”将被相应的天数替代。这样，各列标题将显示为：
最近7日均销售、最近15日均销售等
接下来，我们可以利用TODAY函数的动态特性，自动计算最近7天、15天、30天等时间段内的日平均销售量。具体公式如下
=BYROW($B$2#,LAMBDA(x,LET(C,CX1,SUM(TAKE(INDEX(x,,SEQUENCE(,MATCH(TODAY()-1,$B$1#,0))),,C))/C)))
公式解释：
MATCH函数
使用MATCH(TODAY()-1, $B$1#, 0)来确定当天日期在日期列中的相对位置（例如，第82天）。
SEQUENCE函数
使用SEQUENCE(, MATCH(TODAY()-1, $B$1#, 0))生成一个从1开始递增到指定位置（如82）的数组，即 {1, 2, 3, ..., 82}。
INDEX与TAKE函数组合
INDEX(x, , SEQUENCE(...)) 返回对应的日销售数据。
TAKE(..., , C) 提取最近C天的数据，其中C代表要计算的时间段长度（例如，7天、15天或30天）。
SUM与LET函数组合
SUM(...) 对提取出的最近C天的日销售数据求和。
LET(C, CX1, ...) 定义变量C为CX1，用于表示时间窗口长度（如7天），并在公式中使用该变量进行计算。
最终计算
将求和结果除以C，得到指定时间段内的平均日销售量。
BYROW函数
使用BYROW函数对每一行应用上述逻辑，实现动态数组的一键填充，确保公式可以适应不同行的数据。
通过这种方法，我们可以根据当前日期动态地计算不同时间段内的日平均销售量，而无需手动调整公式或数据范围。这不仅提高了工作效率，还保证了数据的准确性和实时性。
日均数据运用分析最近7天、15天和30天的平均日销售记录，对企业具有多方面的重要意义。这有助于企业识别销售趋势、优化库存管理、制定促销策略、调整产品组合、理解顾客行为、规划财务和人力资源，从而提高经营效率和市场竞争力。
例如，通过分析最近30天的平均日销售记录，我们可以发现某款产品的销量持续上升，而另一款产品的销量则逐渐下降。基于这些趋势，PMC（生产物料控制）部门可以做出以下决策：
增加热销产品的库存量：确保热销产品不会出现缺货情况，满足市场需求。
调整冷门产品的生产计划：对于销量下降的产品，可以采取暂停生产或停止备货等措施，以避免库存积压。
这些基于数据分析的决策能够帮助商店更好地适应市场需求的变化，提升整体销售业绩，并最终增强企业的市场竞争力。
