移动平均与预测

工坊的小伙伴们大家好，又是活力满满的一天~

在大家的实际工作中计算均值一定很常用，有时需要计算移动平均，下面我们通过一个例子来直观地体验一下移动平均算法的作用。

例如，我们手中有每天对各客户的发货数据，如下：

构造发货量度量值如下：

发货量 =
SUM ( '发货量'[值] )

使用日期做为轴，以上度量值在图表中的表现如下：

曲线变化起伏比较大，不利于做预测分析。我们使用如下度量值对发货量做移动平均处理，这里我们针对每个日期计算过去60天的平均发货量，如下：

移动平均 =
IF (
    HASONEVALUE ( 'calendar'[Date] ), //如果当前筛选上下文存在确定的日期
    AVERAGEX (
        FILTER(
            ALL ( 'calendar'[Date]),//限制日期在过去60天内
            'calendar'[Date] <= VALUES( 'calendar'[Date] )
                && 'calendar'[Date]
                    >=VALUES ( 'calendar'[Date]) - 60
        ),
        CALCULATE( SUM ( '发货量'[值] ) )//针对过去60天每日发货数量做平均
    )
)

以上度量值针对每个日期做平均，但每个日期对应的客户发货量是做加法的，逻辑上符合业务需求。另外，还可以使用DATESBETWEEN时间智能函数改写此表达式，有兴趣的友友可以尝试进行改写。

我们先来看一下在图中的效果：

我们发现，经过移动平均处理之后，曲线变得相对平滑，不同日之间起伏波动较小。另外，有未发生的日期，该度量值进行了计算并返回了值，在此处我们给度量值添加一个条件：

IF([发货量]<> BLANK (),…)

添加此条件后，图形中的表现为：

下面我们利用移动平均的度量值进行预测，这里用到了Power BI的预测功能，预测功能目前在折线图中支持，且仅支持一条折线，如下，我们仅保留移动平均法计算出来的发货量：

在“分析”一栏找到“预测”选项：

点击添加，并输入预测长度，此处的预测长度即预测的天数，设置为“60”，图形结果为：

可以发现，图形呈现的预测结果相对宽泛，为了缩小预测范围即阴影部分面积，我们将置信区间调整为75%，如下：

阴影部分有所收窄，一般发货会存在规律或者周期，比如我们以30天为一个发货周期，那么在“预测”选项中只需要将“季节性”设置为30点即可，设置之后的结果如下：

此时，图形呈现的预测结果可信度已相对较高。实际应用中大家可以根据实际情况调整预测的参数设置。
以上，
再见~

如果您想深入学习微软Power BI，欢迎登录网易云课堂试听学习我们的“从Excel到Power BI数据分析可视化”系列课程。或者关注我们的公众号（PowerPivot工坊）后猛戳”在线学习”。

长按下方二维码关注“Power Pivot工坊”获取更多微软Power BI、PowerPivot相关文章、资讯，欢迎小伙伴儿们转发分享~

Power Pivot工坊