面向供应链和制造业的 Excel Python 集成

多年来，Excel 一直是运营经理和分析师必不可少的工具，它为管理数据、创建报告和处理日常任务提供了强大的平台。然而，当涉及到高级预测或优化时，仅靠 Excel 有时会显得力不从心。运营团队通常需要依赖其他工具，例如 Python 或 R，来执行复杂的分析和建模。

现在，随着 Python 直接集成到 Excel 中，这些高级功能只需一个公式即可实现。这种结合将 Python 强大的数据处理和分析工具带入熟悉的 Excel 环境，为库存预测、路线优化等创建了无缝的工作流程。无需再在软件之间切换、来回导出数据或使用大量的加载项。Python 在 Excel 中释放了新的潜力，使高级技术在您现有的电子表格中即可访问。

在这篇文章中，我们将深入探讨真实世界的例子，展示 Excel Python 集成如何改变库存和供应链管理。从需求预测到路线优化，我们将介绍在 Excel 中利用 Python 的时间序列建模和算法功能的实用方法。借助集成到电子表格中的 Python 强大库，您可以获得更深入的见解、做出数据驱动的决策并简化运营。

要开始在 Excel 中使用 Python，只需键入“=py(”。 这将在 Excel 中打开一个嵌入式 Python 编辑器，您可以在其中应用 Python 函数，使用 Pandas 和 Matplotlib 等库，并分析数据，所有操作都无需离开电子表格。无论您是要可视化需求趋势还是绘制优化的交付路线，Excel Python 集成都使高级数据分析比以往任何时候都更容易访问。

示例：需求预测

假设您是一家快速增长的零售公司的运营经理。每天，您都在努力平衡维护库存水平、满足客户需求和管理成本的需求。随着产品线的扩展和客户群的增长，预测需求对于避免代价高昂的缺货或库存积压至关重要。这就是 Excel Python 集成发挥作用的地方，它将复杂的需求预测直接引入您的电子表格。

借助 Python 在 Excel 中的时间序列分析功能，您可以将历史销售数据转化为可操作的见解，从而实现更智能的需求预测和库存管理决策。在本示例中，我们将演练一个简单的需求预测模型，该模型使用模拟销售数据来预测未来需求，所有操作都在 Excel 中完成。

首先，让我们在 Excel 中将数据设置为时间序列。Python 可以轻松创建和操作直接链接到 Excel 数据的数据帧。以下是如何在几行代码中创建数据基本图的方法

#Set up your time-series data in python
df = xl("A1:B366", headers=True)
df.set_index("Date", inplace=True)

#Make a plot
df.plot()

图 1. 使用 Excel Python 集成绘制的模拟时间序列数据。

这个初始图快速直观地展示了随时间推移的销售趋势，为我们提供了对数据的基本理解。这是使您的库存与客户需求保持一致的简单而有效的一步。请注意，一旦 Python 编辑器打开，我们只需选择 Excel 中的数据即可创建 pandas 数据帧。

在零售业中，准确预测需求可能是成功季和代价高昂的缺货之间的区别。库存过多会占用资金并增加存储成本，而库存过少则会面临失去客户给竞争对手的风险。通过使用数据预测需求，我们可以规划库存水平以更好地与销售额保持一致，从而优化供需。

使用诸如指数平滑或 ARIMA 之类的时间序列预测模型，我们可以预测销售模式并预测即将到来的需求。这些模型在捕获数据中的趋势和季节性影响方面特别有效，这有助于创建可靠的需求预测。传统上，如果没有第三方插件，Excel 自身无法处理这种情况。

在本示例中，我们可以创建一个简单的 ARIMA 模型。在这个模型中，我们将允许一个 AR 和 MA 滞后。

from statsmodels.tsa.arima.model import ARIMA

df.asfreq("D")

model_arima = ARIMA(df, order=(1, 1, 1), seasonal_order=(1, 1, 1, 7))

fitted_model_arima = model_arima.fit()
print(fitted_model_arima.summary())

在我们的模型训练完成后，我们可以预测未来 90 天的销售额，为库存决策提供坚实的基础。此预测有助于确定何时重新订购库存以及防止潜在缺货所需的安全库存水平。

# Forecast for the next 90 days
forecast = fitted_model_arima.forecast(90)
forecast

为了总结，我们可以将原始数据与预测数据一起绘制，以清晰地查看预测的需求趋势。这种可视化提供了完整的图景，实现了数据驱动的库存计划，并帮助您的团队做出积极主动的决策。

df.plot()
forecast.columns("Predicted Sales")
forecast.plot()

图 2. 使用 Excel Python 集成绘制的包含预测数据的时间序列数据。

在 Excel 中使用 Python 进行需求预测意味着无需在多个工具之间切换或处理有限的加载项。这种集成使您可以利用高级建模技术来改进需求计划、降低成本并将库存与预期销售额保持一致，所有操作都在熟悉的 Excel 环境中完成。

通过利用 Excel Python 集成，运营团队可以在无缝的工作流程中使用强大的预测方法，从而将数据驱动的决策制定直接带到他们的指尖。

示例：路线优化

在供应链管理中，效率是关键。对于依赖跨多个地点交付的公司而言，路线优化至关重要。它不仅节省了时间和降低了燃料成本，而且还确保了及时交付。随着 Python 现在集成到 Excel 中，我们拥有了一个强大的工具来应对这些复杂的物流挑战，而无需切换平台。

在本示例中，我们将研究使用 Python 最近邻算法进行路线优化的实用方法，这是一种简单的方法，通过在每个步骤访问最近的未访问位置来近似计算高效路线。这种技术非常适合较小的数据集和精确优化并非至关重要的情况。假设我们的配送中心向城市中的 10 个地点交付货物，我们需要找到覆盖所有地点的最短路线。

路线优化的第一步是计算每个位置之间的距离。使用 Python 的 numpy 库，我们可以创建一个距离矩阵，其中包含每对位置之间的欧几里得距离。该矩阵为最近邻算法提供了基础，帮助算法快速确定点之间的最短路径。

# Load location data (coordinates for each delivery location)
location_data = xl("LocationData[#All]", headers=True)
coordinates = location_data[['x', 'y']].values

# Calculate the Euclidean distance between two points
def euclidean_distance(point1, point2):
    return np.sqrt((point1[0] - point2[0]) ** 2 + (point1[1] - point2[1]) ** 2)

准备好距离矩阵后，我们可以应用最近邻算法。这种方法从初始位置开始，迭代访问最近的未访问位置，直到覆盖所有点。最后，它返回到起点以完成路线。

运行算法后，我们将查看输出以查看最佳停靠顺序

该表提供了清晰的路线顺序，最大限度地减少了回溯并有效地覆盖了所有交付点。

最后，我们可以绘制优化的路线，以获得交付路径的可视化表示。此图有助于验证路线并确保访问每个位置。

# Plot the route
plt.figure(figsize=(10, 8))
plt.scatter(location_data['x'], location_data['y'], color='blue', label='Locations')
for i in range(len(route) - 1):
    plt.plot([coordinates[route[i]][0], coordinates[route[i+1]][0]],
            [coordinates[route[i]][1], coordinates[route[i+1]][1]], 'orange')
plt.title("Optimized Delivery Route (Nearest Neighbor)")
plt.xlabel("X Coordinate")
plt.ylabel("Y Coordinate")
plt.legend()
plt.show()

图 3. 使用 Excel Python 集成，利用最近邻算法计算出的可视化最优交付路线。

正如我们所演示的，优化交付路线不需要复杂的软件或专用工具。借助 Python 直观的语法和数组操作功能（在 Excel 中更易于访问），我们可以轻松计算距离、实施最近邻算法并生成高效的交付路线。

Python 的灵活性和易用性使其成为希望简化物流的中小型企业的理想工具。使用像最近邻算法这样的简单算法，您可以在 Excel 中开始路线优化，而无需额外的软件。此示例表明，Python 可以提供快速有效的解决方案，以提高交付效率、降低成本并提高客户满意度，所有这些都在熟悉的环境中完成。

因此，如果您正在寻找一种可访问的方式来管理路线或优化您的供应链，那么 Excel Python 集成将是您物流工具包中宝贵的补充。

结论

对于希望在不离开熟悉的 Excel 环境的情况下提升数据分析能力的运营经理和分析师来说，将 Python 集成到 Excel 中提供了一个改变游戏规则的解决方案。借助触手可及的 Python 高级预测模型和优化算法，您可以轻松应对需求预测和路线优化等复杂挑战。

从管理库存水平到确保高效的交付路线，Excel Python 集成通过提供处理数据、可视化见解和预测结果的工具，改变了您制定关键决策的方式。这种强大的集成消除了在多个工具之间切换或依赖有限加载项的需要，从而简化了工作流程并提高了生产力。

无论您是 Python 新手还是经验丰富的用户，此集成都可以轻松地将复杂的技术应用于日常运营任务。只需几行代码，您就可以在您已经了解和使用的 Excel 电子表格中解锁可推动更好计划、降低成本和改善服务的见解。

Excel Python 集成真正融合了两全其美的优势，将 Excel 直观的界面与 Python 强大的功能相结合，使其成为当今数据驱动运营的完美工具包。因此，开始探索，看看这种强大的组合如何改变您处理运营管理的方式。