L'état actuel du monde rend les prévisions commerciales encore plus fondamentales pour le fonctionnement des institutions. Dans cette Specializations, nous nous concentrons sur les compétences Excel pour les prévisions commerciales dans trois cours - Modèles de séries temporelles, Modèles de régression et Prévisions au jugé.
Dans le premier cours sur les modèles de séries temporelles, nous verrons comment votre entreprise peut utiliser des ensembles de données de séries temporelles pour comprendre les différents composants sous-jacents à ces données, puis appliquer le modèle approprié en fonction de ces composants pour faire des prévisions pour les besoins de votre entreprise.
Nous poursuivons avec le deuxième cours de cette spécialisation, qui porte sur les modèles de régression, en construisant des modèles de causalité pour les données de séries chronologiques et les données transversales. Les modèles de causalité nous permettent de développer de nouvelles idées et stratégies commerciales en contrôlant les données d'entrée afin de générer les résultats souhaités.
Dans le troisième et dernier cours, nous explorerons le rôle de la prévision au jugé, lorsque les méthodes de prévision plus quantitatives ont des limites et que nous avons besoin d'approfondir notre connaissance de l'entreprise. Nous explorerons quelques méthodologies structurées pour créer des prévisions commerciales au jugé et étudierons comment Excel peut nous aider dans ces jugements. Nous rassemblerons toutes ces méthodes de prévision dans une étude de cas finale, qui vous donnera l'occasion de générer des prévisions, qui sont les intrants de la planification de toute organisation.
Projet d'apprentissage appliqué
En travaillant avec des ensembles de données similaires à ceux que l'on trouve généralement dans une entreprise, vous utiliserez des techniques de prévision quantitatives et qualitatives pour générer des prévisions commerciales. Créez des graphiques pour visualiser les données et les prévisions. Calculer les erreurs de modèle et utiliser des techniques d'optimisation pour minimiser ces erreurs et choisir les meilleurs paramètres de modèle. Combinez différents modèles et le jugement d'experts pour intégrer l'incertitude.
