对于商业专业人士和分析师而言,Excel 长期以来一直是处理数据的首选工具。然而,其局限性通常需要用户在外部平台之间周旋,以执行更高级的任务,例如自动化工作流程、构建自定义函数或进行深度数据分析。现在有了在 Excel 中使用 Copilot 和 Python:这种改变游戏规则的组合通过将 Python 的强大功能和 AI 驱动的辅助功能直接引入到您的电子表格中,从而改变您处理数据的方式。

在这篇文章中,我们将深入探讨 Excel 和 Copilot 之间的协同作用,展示这对组合如何为您的工作流程增添动力。从使用 Python 脚本自动化重复性任务,到使用 Copilot 的 AI 功能生成复杂公式或调试代码,您将看到这些工具如何协同工作来弥合差距并提高您的生产力。无论您是优化财务模型、分析数据集还是构建交互式仪表板,在 Excel 中使用 Copilot 和 Python 都能为数据处理和决策制定开启新的可能性。

入门很简单:Copilot 会在您键入时建议代码和公式,而 Python 与 Excel 的无缝集成使您可以在工作簿中运行强大的库(如 Pandas、NumPy 和 Matplotlib)。它们共同帮助各种技能水平的用户简化任务、发现见解并做出数据驱动的决策——比以往任何时候都更快、更有效。

开始设置

开始在 Excel 中使用 Copilot 就像为您的工作流程添加了一个强大的副驾驶,随时准备协助并提升您的电子表格技能。无论您是优化模型、自动化任务还是执行高级分析,在 Excel 中设置 Copilot 和 Python 都非常简单。首先,打开最新版本的 Excel,并确保您已使用包含 Copilot 访问权限的 Microsoft 365 帐户登录。此功能需要特定许可证,因此验证您的订阅至关重要。导航到“文件”>“帐户”>“更新许可证”以检查和更新您的许可证(如有必要),然后重启 Excel 以应用任何更改。在“帐户”菜单的“产品信息”部分下,通过查找工具栏中的 Copilot 图标来确认您的许可证是否支持 Copilot。

图 1:Microsoft 365 和 Excel 的订阅信息

一切设置就绪后,您将在“开始”功能区上找到 Copilot,它随时准备协助您完成生成公式、编写代码片段或排除复杂工作流程故障等任务。

图 2:带有 Copilot 的 Excel“开始”功能区。

如果 Copilot 已启用,则 Excel 中的 Python 也可能可用。要确认,只需在任何单元格中键入 =py 即可。如果 Python 处于活动状态,您将看到一个嵌入式 Python 编辑器打开,允许您直接在 Excel 中执行 Python 代码。

产品预测

在这里,我们正在探索一个数据集,其中包含 2020 年至 2028 年期间多种产品的月度销售数据。每种产品都呈现出随时间推移的总体上升趋势,模拟了受营销活动、季节性促销和不断扩大的客户群影响的实际增长。此类数据对于企业了解业绩、规划库存、设定收入目标以及识别潜在增长机会至关重要。通过分析趋势和季节性,企业可以做出数据驱动的决策来优化运营并提高盈利能力。

通过在 Excel 中使用 Copilot 和 Python,我们可以将高级时间序列分析无缝集成到 Excel 工作流程中。可以使用 ARIMA(自回归积分滑动平均)模型预测此数据集,ARIMA 模型是捕获趋势和季节性成分的强大工具。ARIMA 使企业能够预测下个月的销售额,从而能够主动规划库存、人员配置和促销活动。在这篇文章中,我们将演示 Excel 中的 Python 与 Copilot 相结合如何简化预测过程,并将高级分析引入到熟悉的电子表格环境中。无需额外的插件或编码。

我们可以使用 Copilot 通过向其提供提示来更好地理解我们的数据集

“请提供一些关于数据可能有趣的摘要统计信息。”

作为回应,Copilot 生成了一组全面的摘要统计信息,按产品类别组织。这些统计信息包括每个产品的均值、中位数、标准差、最小值和最大值等指标,提供了数据集分布的详细快照。

图 4:由 Copilot 生成的摘要统计信息

现在,让我们开始更高级的分析,向 Copilot 提供提示

“使用此数据,创建一个 ARIMA 模型来预测每种产品的销售额。”

Copilot 通过确保数据满足时间序列建模的要求来启动分析,首先使用增广迪基-富勒检验进行平稳性检查。 

图 5:由 Copilot 生成的增广迪基-富勒检验。

它不仅识别出数据是非平稳的,而且还采取了差分数据的纠正措施以实现平稳性。这个必要的预处理步骤为数据集的有效建模做好了准备。

图 6:差分后的增广迪基-富勒检验。

数据准备就绪后,我们使用参数 (1, 1, 1) 构建 ARIMA 模型,分别代表一个自回归 (AR) 项、一个差分 (I) 项和一个滑动平均 (MA) 项。Copilot 生成并拟合模型,生成针对数据季节性特征量身定制的 SARIMA(季节性 ARIMA)版本。该模型有效地捕获了潜在的销售趋势和周期性波动。在此之后,Copilot 提示进行进一步分析,使我们能够预测未来 12 个月的销售额。它计算预测值并创建一个可视化图表,将历史数据与预测值叠加,突出显示预期增长和季节性变化。

图 7:由 Excel 中的 Copilot 和 Python 生成的历史销售数据和预测数据图。

我们仅通过使用提示就完成了大量的分析工作。让我们通过从 Copilot 获取建议来进一步分析。

图 8:Copilot 提示,为提供的数据的进一步分析提供建议。

您可以看到 Copilot 建议了其他分析,并提议对数据集中的其他产品重复分析。 

此工作流程演示了 Excel 中的 Copilot 和 Python 如何使没有深厚技术专业知识的用户也能使用高级预测。企业可以通过预测需求来改进库存管理,通过设定实际的收入目标来加强财务规划,并通过识别需求旺盛期来优化促销活动。

结论

Copilot 和 Python 在 Excel 中的集成代表了数据分析和工作流程优化方面的变革性飞跃。这种强大的组合弥合了传统电子表格功能和高级编程能力之间的差距,使专业人士能够释放新的生产力和洞察力水平。从自动化重复性任务到进行复杂的分析(如 K-Means 聚类),这些工具使使用者能够轻松地简化流程、发现模式并做出明智的决策。

销售预测示例突出了如何利用这种协同作用来分析销售数据、提取可操作的见解并定制策略。通过使用 Python 强大的库和 Copilot 的 AI 驱动的辅助功能,即使是复杂的任务也变得直观而高效。分析期间生成的可视化图表和叙述进一步增强了理解并支持了数据驱动的策略。

对于数据驱动型行业,这些进步提供了一个机会,可以更好地了解他们的客户、优化产品并在一个日益数字化的环境中保持竞争力。凭借其无缝集成和用户友好的方法,在 Excel 中使用 Copilot 和 Python 重新定义了电子表格分析的可能性,使其成为各行各业专业人士的必备工具。