很多服饰业商品管理人员喜欢等待。
产品上市后，销量不佳，打折于心不忍，想着等等看会不会出现奇迹。
奇迹出现的概率和彩票中大奖一样。
早期的销量和最终产品销售状况有多大相关性？不妨做个线性回归分析。
1.数据选取
选取公司某季度的新品完整销售数据（下表为虚拟样表），比方2019年春季产品从2018年12月到2019年6月的销售记录。
我们要看的是一个趋势，因此剔除一些极值，比方累计销量小于50或者大于1000的产品。数据处理完成后导入Excel的Power Pivot。
2.定义销售周期
每个产品的到货时间是不一样的，A产品销售开始的第一周，B产品可能还没到货。因此，我们需要将所有产品的销售时间拉回同一起跑线，即每个产品第1周，第2周分别定义。
以上两个产品，STY0003第一周是从2019年3月9日算起，STY0020是从2019年2月19日开始算起。Power Pivot中使用DAX函数新建列，如下计算不同产品的销售周：
代码语言：javascript复制销售周 =
VAR STYLEID = '销售'[产品ID]
VAR FIRSTDAY =
MINX ( FILTER ( '销售', '销售'[产品ID] = STYLEID ), '销售'[销售日期])
VAR GAP =
DIVIDE ( DATEDIFF ( FIRSTDAY, '销售'[销售日期], DAY ) 1, 7 )
RETURN
ROUNDUP ( GAP, 0 )3.定义对比周期
将所有产品销售周期统一起点后，开始定义什么是早期。此处我们假设前2周算早期。如果是很快很快的快时尚，你可以定义为1周。
最终的总周期我们定义为8周，2周的销量和8周的销量对比，以检测相关性如何。此处进行的是一元线性回归分析，选择8周而不是服装界通常使用的12周（3个月）是基于尽量避免季末折扣、断货带来的影响。
度量值如下设置：
代码语言：javascript复制前2周销量 = CALCULATE([销售数量],'销售'[销售周]<=2)前8周销量 = CALCULATE([销售数量],'销售'[销售周]<=8)4.回归分析
感谢盖茨先生，我们不需要掌握很多统计学知识，点鼠标即可在Excel中进行回归分析。
在文件-选项-加载项-Excel加载项调出分析工具库，然后在“数据”选项卡下，点击“数据分析”，并选择“回归”。
X和Y值分别选择前2周销量和前8周销量。
以下是得到的部分分析结果：
5.结果解读
以上五个结果比较重要的是两个：
- Multiple R是相关系数，在-1到1中间浮动，该虚拟数据前2周的销量和前8周的销量相关系数高达0.95，高度相关。
- Adjusted R Square是调整过的R平方，此例中的含义是前8周的销量状况有90%可以由前2周的销量来解释（即只有10%是随机变动，无法用该模型解释）。
因此，本例中只需要2周就可判断一款产品后续走势。商品订量与实际销售产生误差是正常现象，如果早知道趋势早做出处理（畅销品的补货与滞销品的调整）将会有更大的库存结构调整余地，创造更大利润。
