Paano gamitin ang mga function ng AI para sa predictive analytics sa Excel

Kung ginugugol mo ang iyong mga araw sa pagbabasa ng mga spreadsheet ngunit pakiramdam mo ay nagsisimula ka pa lamang sa pag-aaral, ang mga tampok ng AI-powered predictive analytics ng Excel ay eksakto kung ano ang iyong hinihintay. Hindi mo kailangang maging isang data scientist para mahulaan ang mga benta, matukoy ang mga anomalya, o i-automate ang mga ulat: gamit ang mga tamang tool, ang Excel ay nagiging isang tunay na powerhouse ng advanced analytics.

Ang magandang balita ay marami sa mga kakayahang ito ay nakapaloob na sa Excel o maaaring isama sa ilang pag-click lamang. Mula sa mga function tulad ng FORECAST.ETS at FORECAST.ETS.STAT , hanggang sa Power Query at Power Pivot, hanggang sa mga add-in batay sa generative AI at mga koneksyon sa Power BI o mga serbisyo ng cloud, ngayon, ang anumang maliit o katamtamang laki ng negosyo ay maaaring bumuo ng matatag na mga predictive model nang hindi tinatalikuran ang tradisyonal na spreadsheet.

Ano ang naidudulot ng AI sa predictive analytics sa Excel?

Binago ng integrasyon ng artificial intelligence sa Excel ang paraan ng pagsusuri ng datos: hindi na lamang ito tungkol sa pagbubuod, pagsala, at paglikha ng mga pivot table, kundi tungkol sa pagtataya, pagpapaliwanag ng mga pattern, at pag-automate ng mga nakakapagod na gawain nang walang programming. Nagbibigay-daan ito sa mga negosyo at propesyonal na gumawa ng mas mabilis na mga desisyon batay sa mahusay na istatistikal na datos.

Sa ecosystem ng Microsoft 365, ang mga tool tulad ng Copilot, Insights, at AI add-ins ay nakakaintindi ng mga instruksyon sa natural na wika, bumubuo ng mga kumplikadong formula para sa iyo, naglilinis ng data, nagmumungkahi ng mga kaugnay na tsart, at nagsusulat pa nga ng mga executive summary ng iyong mga numero. Samantala, pinapahusay ng Excel ang mga kakayahan nito sa pagtataya sa pamamagitan ng paggamit ng mas sopistikadong mga algorithm kaysa sa mga tradisyonal na trend function.

Bukod sa Microsoft, ang lumalaking hanay ng mga panlabas na serbisyo at mga solusyon sa pamamahala na pinapagana ng AI ay nagbibigay-daan sa iyong ikonekta ang mga spreadsheet sa mga modelo ng machine learning , i-automate ang mga proseso ng ETL, sanayin ang mga predictive model, at ilantad ang mga ito sa pamamagitan ng mga API upang magamit ng Excel ang mga resulta. Nagagawa ang lahat ng ito nang hindi umaalis sa pamilyar na kapaligiran ng spreadsheet, na lubos na nagpapababa sa hadlang sa pagpasok.

Ang resulta ay ang Excel ay mula sa pagiging isang advanced na tool sa opisina ay naging isang platform ng analytics at predictive modeling : maaari itong gamitin upang makakuha ng puntos sa mga customer, tantyahin ang demand sa hinaharap, mahulaan ang churn, i-optimize ang mga imbentaryo, o mag-set up ng mga maagang babala para sa mga anomalya sa ilang mahusay na dinisenyong hakbang.

Ang kombinasyon ng pamilyaridad at kapangyarihan ay ginagawang mas makatuwiran para sa maraming pangkat na palawakin ang Excel gamit ang AI kaysa ilipat ang kanilang buong operasyon sa mga platform ng agham ng datos lamang, na mas kumplikado ipatupad at gamitin ng mga hindi teknikal na profile.

Mga function ng Excel na nakabatay sa AI para sa prediksyon

Isa sa mga kalakasan ng pamamaraang ito ay ang mga function ng pagtataya na nakapaloob sa Excel , na nagbibigay-daan sa iyo upang tantyahin ang mga halaga sa hinaharap mula sa makasaysayang datos sa isang medyo simpleng paraan, lalo na kapag ang datos ay sumusunod sa isang serye ng oras.

Ang function na FORECAST.ETS ang bida sa palabas kapag pinag-uusapan natin ang predictive analytics. Gumagamit ito ng exponential smoothing models upang i-project ang datos sa hinaharap, isinasaalang-alang ang seasonality at mga trend. Ang karaniwang syntax nito ay ganito:

=FORECAST.ETS(objetivo, valores_históricos, intervalos_de_tiempo)

Sa pormulang ito, ang target argument ay kumakatawan sa panahon kung kailan natin gustong gawin ang hula (halimbawa, isang partikular na buwan ng susunod na taon), ang historical_values ​​​​ay ang mga nakaraang serye ng datos (mga benta bawat buwan, mga pagbisita bawat araw, atbp.) at ang time_intervals ay nagmamarka ng periodicity (araw-araw, buwanan, quarterly, depende sa kung paano nakaayos ang mga talaan).

Ang feature na ito ay lalong kapaki-pakinabang kapag gumagamit ng mga pana-panahong pattern ng benta o mga siklo ng demand , dahil tinatantya ng algorithm kung paano nauulit ang mga pag-uugaling ito sa paglipas ng panahon at pinoproyekto ang mga ito sa hinaharap. Kung ikukumpara sa mas pangunahing mga linear na pagtataya, kadalasan itong nag-aalok ng mga resulta na mas malapit sa realidad ng negosyo.

Gayunpaman, ang paggawa ng prediksyon ay hindi nangangahulugang perpekto ito. Dito pumapasok ang FORECAST.ETS.STAT , isang function na idinisenyo upang suriin ang kalidad ng mga forecast na nabuo gamit ang FORECAST.ETS, na nagbibigay ng mga pangunahing istatistikal na sukatan.

Ang pinakakaraniwang paraan upang ma-access ang function na ito ay ganito:

=FORECAST.ETS.STAT(valores_históricos, tipo_estadística)

Gamit ang parameter na `type_statistic` , makakakuha tayo ng mga indicator tulad ng standard deviation, mean absolute error, at isang reliability index. Nagbibigay-daan ito sa atin na masuri kung ang modelo ay akma sa datos , kung mayroong labis na ingay, o kung ang ilang obserbasyon ay kumikilos bilang mga outlier na nagpapabago sa projection.

Ang pagbibigay-kahulugan sa mga tagapagpahiwatig na ito ay nagbibigay-daan sa amin upang pinuhin ang modelo: maaari naming suriin ang kalidad ng pinagmulang datos, itapon ang mga outlier, ayusin ang ginamit na time window, o pagsamahin pa ang FORECAST.ETS sa iba pang mga istatistikal na pamamaraan sa labas ng Excel upang ihambing ang mga resulta at makarating sa mas matatag na mga pagtataya.

Pagtuklas ng outlier at pagiging maaasahan ng hula

Dapat isaalang-alang ng anumang seryosong predictive analysis kung ano ang mangyayari sa mga halagang lumihis nang malaki mula sa trend . Ang FORECAST.ETS.STAT ay isang mahalagang kagamitan sa bagay na ito dahil ang mga istatistika nito ay nakakatulong na matukoy ang mga potensyal na anomalya.

Halimbawa, ang isang napakataas na standard deviation mula sa mean number ng mga error ay maaaring magpahiwatig ng mga panahon ng ganap na hindi pangkaraniwang pag-uugali , marahil dahil sa isang partikular na kampanya, isang pagkabigo sa logistik, mga pagbabago sa regulasyon, o mga hindi na mauulit na kaganapan. Mahalaga ang pagtukoy nito upang maiwasan ang labis na pagbibigay-diin sa mga nakahiwalay na punto ng datos na ito sa mga hinaharap na pagtataya.

Bukod pa rito, ang mga indeks ng kumpiyansa na ibinibigay ng function na ito ay nagbibigay-daan sa iyong magtalaga ng numerical credibility rating sa bawat prediksyon . Kung ang isang forecast ay may kasamang mababang confidence rating, maaaring kapaki-pakinabang na pagsamahin ito sa iba pang mga pamamaraan: mga konserbatibong senaryo, alternatibong modelo, o direktang pagsusuri sa nangyayari sa antas ng negosyo.

Gamit ang ganitong uri ng mga istatistikal na tagapagpahiwatig, mas madaling magtakda ng mga awtomatikong limitasyon upang mag-trigger ng mga alerto para sa mga hindi pangkaraniwang paglihis . Ito ay lalong kapaki-pakinabang sa mga kaso tulad ng pagtuklas ng pandaraya, mga error sa pagsingil, matinding pagkakaiba-iba sa pagkonsumo ng enerhiya, o mga biglaang pagbabago sa pag-uugali ng customer.

Sa pagsasagawa, ang mga tungkuling ito ay nagbibigay-daan sa mga gumagamit na hindi dalubhasa sa estadistika na, nang may kaunting kaalaman, ay makilala kung kailan maayos ang paggana ng isang modelo at kung kailan kinakailangang pag-isipang muli ang pamamaraan, linisin ang datos, o kahit na umasa sa mga espesyalista sa datos upang suriin ang disenyo ng modelo.

Mga modelo ng machine learning na may Power Query at Power Pivot

Bagama't hindi nilayon ng Excel na makipagkumpitensya sa mga purong platform ng machine learning, sa pamamagitan ng pagsasama ng Power Query at Power Pivot, makakabuo ka ng mga makapangyarihang modelo para sa pagtataya at advanced na pagsusuri sa loob mismo ng spreadsheet.

Ang Power Query ay gumaganap bilang isang integrated ETL engine sa Excel at Power BI, ibig sabihin ay kinukuha, binabago, at nilo-load nito ang data mula sa maraming pinagmumulan : mga database, mga CSV file, mga serbisyo sa cloud, o maging mga web page. Ginagawang madali ng sunud-sunod na interface nito ang paglilinis, pag-filter, pagsasama-sama, at pagmomodelo ng malalaking volume ng impormasyon nang hindi nagsusulat ng anumang code.

Kabilang sa mga pinakakaraniwang pagbabago ay ang pag-aalis ng mga duplicate, pagwawasto ng error, at pag-istandardisa ng format . Pinapayagan ka rin nitong lumikha ng mga kinakalkulang column, magpangkat ayon sa mga kategorya, mag-pivot at mag-unpivot ng mga talahanayan, o mag-normalize ng mga field upang gumana ang mga ito sa parehong sukat—mahalaga kapag nagpapakain ng mga predictive model.

Ang Power Pivot, sa kabilang banda, ay nakatuon sa paglikha ng mga relational data model at mga advanced na kalkulasyon . Pinapayagan ka nitong mag-import ng malalaking halaga ng impormasyon sa data model, tukuyin ang mga ugnayan sa pagitan ng mga talahanayan, lumikha ng mga DAX measure, at bumuo ng mga kumplikadong analytical structure kung saan maaaring ilapat ang predictive analytics.

Ang isang karaniwang daloy ng trabaho para sa pagbuo ng isang pangunahing modelo ng machine learning sa Excel ay karaniwang may kasamang tatlong hakbang: una, ang pag-import at paglilinis ng data gamit ang Power Query mula sa mga kaugnay na mapagkukunan; pangalawa, ang pagbubuo ng relational model at mga pangunahing kalkulasyon sa Power Pivot; at pangatlo, ang paglalapat ng mga statistical function o integrasyon sa mga panlabas na serbisyo ng AI upang makabuo ng mga hula tungkol sa modelong iyon.

Bagama't hindi pinapalitan ng mga tool na ito ang isang kapaligiran tulad ng Python o R para sa malalaking proyekto sa agham ng datos, pinapayagan nito ang mga pangkat ng negosyo na bumuo ng mga makatwirang predictive model —halimbawa, ng demand, customer churn, o credit risk — sa pamamagitan ng paggamit ng lahat ng na-set up na nila sa Excel at nang hindi kinakailangang ilipat ang kanilang mga proseso sa ibang mga platform.

Pagsasama ng Excel sa mga serbisyo ng Power BI at AI sa cloud

Habang lumalaki ang dami ng datos o nagiging mas kumplikado ang mga tanong sa negosyo, lubos na makatuwiran ang pagsasama ng Excel sa Power BI at mga serbisyo ng cloud-based AI. Ang integrasyong ito ay nagbibigay-daan sa iyong i-scale ang mga simpleng pagsusuri sa mga reproducible pipeline at interactive dashboard.

Maaaring direktang kumonekta ang Power BI sa mga workbook ng Excel, mag-import ng mga modelo ng data na ginawa gamit ang Power Pivot, at muling gamitin ang mga query sa Power Query. Mula roon, ginagawang madali ng built-in nitong kakayahan sa machine learning at advanced visualization ang pagsasanay sa mas kumplikadong mga modelo, paglalapat ng mga algorithm ng klasipikasyon o segmentasyon, at pagpapakita ng mga resulta sa mga dashboard na naa-access ng buong organisasyon at bumuo ng mga ulat.

Sa mas advanced na mga kapaligiran, karaniwan nang ilantad ang mga modelo ng AI sa pamamagitan ng mga API o add-in na konektado sa Excel . Sa ganitong paraan, ang modelo ay sinasanay sa mga espesyal na platform (halimbawa, mga serbisyo sa cloud tulad ng Azure o AWS), at pagkatapos ay ipinapadala lamang ng Excel ang input data at kinukuha ang kinakalkulang prediksyon. Pinapayagan nito ang front end na manatili sa spreadsheet habang ang mabibigat na lohika ay nasa cloud.

Upang maisakatuparan ang integrasyong ito sa produksyon, ipinapayong magtakda ng serye ng malinaw na mga hakbang: ihanda at i-normalize ang data gamit ang mga tool sa paglilinis, sanayin ang mga modelo ng machine learning sa mga kinatawan na sample , i-publish ang mga modelong ito bilang mga serbisyo, at ikonekta ang Excel sa pamamagitan ng Power Query, mga script, o mga custom na konektor. Ang pag-deploy sa cloud ay nagpapadali sa scalability at patuloy na pagpapanatili.

Sa kontekstong ito, ang mga aspeto tulad ng seguridad, pag-awdit, at pagsunod sa mga regulasyon ay nagiging mahalaga . Ang daloy ng data sa pagitan ng Excel, Power BI, at mga serbisyo ng cloud-based AI ay dapat na may kasamang naaangkop na mga kontrol sa pag-access, mga talaan ng aktibidad, at mga pagtatasa ng panganib, lalo na kapag nagtatrabaho sa sensitibong data (pinansyal, kalusugan, personal, atbp.).

Mga add-in at tool ng AI para sa pagtatrabaho sa Excel

Bukod sa mga katutubong function ng Excel, mayroong isang buong ecosystem ng mga AI tool na partikular na idinisenyo para sa mga spreadsheet na nagpapadali sa parehong predictive analytics at automation ng mga pang-araw-araw na gawain. Marami sa mga ito ay isinasama bilang mga add-in sa Excel at Google Sheets.

Ang ilang solusyon ay idinisenyo upang bumuo at magpaliwanag ng mga kumplikadong formula gamit ang natural na wika. Mag-type ng isang bagay tulad ng "sum column A when column B is greater than 10" at ibabalik ng tool ang tamang formula, handa nang i-paste. Malaki ang nababawasan nito sa oras na ginugugol sa pag-alala sa syntax at nababawasan ang mga error.

Ang iba pang mga opsyon ay nakatuon sa matalinong pag-visualize ng data : paglikha ng mga custom na chart, mga template ng dashboard, o kahit na mga presentasyon mula sa mga spreadsheet o CSV file. Ang layunin ay gawing malinaw na mga chart ang hilaw na data para sa mga ulat, pagpupulong, at mabilis na mga desisyon nang hindi gumugugol ng maraming oras sa disenyo.

Mayroon ding mga tool na nakatuon sa automation sa pamamagitan ng code , na bumubuo ng mga VBA script o Apps Script batay sa mga simpleng tagubilin. Nagbibigay-daan ito kahit sa mga user na walang karanasan sa programming na mapataas ang antas ng automation sa Excel at Google Sheets, dahil isinusulat ng AI ang code skeleton at kailangan lang ayusin ng user ang mga detalye.

Panghuli, isang malaking grupo ng mga add-on na ito ang gumagamit ng mga modelo ng wika na parang ChatGPT upang uriin, linisin, at ibuod ang malalaking volume ng teksto o numerikal na datos , na ginagawang mas madali ang paghahanda ng datos bago ang anumang seryosong pagsusuring predictive.

Mga Bentahe ng Paggamit ng AI para sa Predictive Analytics sa Excel

Ang pangunahing bentahe ng pagsasama ng AI sa Excel ay ang makabuluhang pagpapababa nito ng teknikal na antas na kinakailangan para sa sopistikadong pagsusuri. Hindi na kailangang malaman ang mga advanced na istatistika o programa sa mga espesyalisadong wika: maraming kumplikadong gawain ang nalulutas gamit ang mga pamilyar na function, menu, at dialog box.

Ito ay nangangahulugan ng pinahusay na bilis ng daloy ng trabaho : Awtomatiko ng AI ang paglilinis ng datos, pagbuo ng formula, paglikha ng tsart, at pagbuo ng ulat. Sa halip na mag-aksaya ng oras sa mga paulit-ulit na gawain, maaaring tumuon ang mga koponan sa pagbibigay-kahulugan sa mga resulta at paggawa ng mga desisyon sa negosyo na naghahatid ng tunay na halaga.

Isa pang malinaw na bentahe ay ang kakayahang matuklasan ang mga pattern at trend na maaaring hindi mapansin kung hindi man. Ang mga tool tulad ng Insights sa Excel o mga modelo ng machine learning na konektado sa pamamagitan ng Power BI ay nakakatulong na matukoy ang mga segment ng customer, mga hindi pangkaraniwang pag-uugali, kumplikadong seasonality, o mga kaugnay na ugnayan sa pagitan ng mga variable.

Bukod pa rito, marami sa mga solusyong ito ay idinisenyo para sa real-time na kolaborasyon . Ginagawa nitong mas madali para sa mga pangkat mula sa iba't ibang departamento (pananalapi, marketing, operasyon, benta) na magtrabaho sa parehong data, magbahagi ng mga sukatan at dashboard, at panatilihing nakahanay ang kanilang mga desisyon sa iisang "punto ng katotohanan."

Panghuli, ang pinagsamang paggamit ng Excel, Power BI, at mga serbisyo ng cloud ay nagbibigay-daan sa iyong bumuo ng mga pipeline na maaaring kopyahin at i-scalable : ang nagsisimula bilang isang manu-manong Excel file ay maaaring umunlad sa isang awtomatikong daloy ng data na nagpapakain sa mga na-update na dashboard, nang hindi kinakailangang gawin muli ang trabaho sa bawat oras.

Mabubuting kasanayan para sa paghahanda at kalidad ng datos

Gaano man kaunlad ang AI, ang mga resulta ay nakasalalay sa kalidad ng data na ipinasok . Bago umasa ng mga himala mula sa anumang predictive model sa Excel, ipinapayong maglaan ng oras sa paghahanda, paglilinis, at wastong pagbubuo ng paunang impormasyon.

Ang unang hakbang ay ang pag-oorganisa ng mga talahanayan nang pare-pareho , nang may malinaw na mga header, magkakatulad na mga uri ng datos, at nang hindi hinahalo ang mga halaga na may iba't ibang format sa iisang hanay. Ginagawa nitong mas madali para sa mga function ng Power Query at AI na matukoy nang tama ang datos na kanilang ginagamit.

Susunod, mahalagang alisin ang mga duplicate at tugunan ang mga outlier . Ang mga paulit-ulit o matinding talaan ay maaaring magpabago sa parehong mga pangunahing istatistika at mga exponential smoothing model na ginagamit sa mga function na FORECAST.ETS. Sa ilang mga kaso, kinakailangan ang paglilinis, at sa iba, ang mga kasong ito ay dapat markahan para sa hiwalay na pagsusuri.

Sa mga sitwasyon kung saan gumagamit ka ng mga baryabol sa magkakaibang antas (halimbawa, kita sa libu-libong euro at mga porsyento ng ratio), maipapayo na gawing normal o i-standardize ang data bago ito ilagay sa mga modelong mas sensitibo sa mga pagkakaibang ito. Nag-aalok ang Power Query ng mga kapaki-pakinabang na pagbabago para sa layuning ito.

Panghuli, ang pagpili ng mga makasaysayang datos ay dapat sumasalamin sa aktwal na konteksto ng negosyo . Ang paggamit ng mga panahong masyadong maikli ay maaaring humantong sa mga hindi matatag na modelo; sa kabaligtaran, ang pagsasama ng mga panahong may ganap na magkakaibang mga kondisyon (radikal na mga pagbabago sa merkado, mga regulasyon, atbp.) ay maaaring magpabago sa mga pagtataya sa hinaharap kung hindi maayos na iaakma.

Patuloy na pagpapatunay ng mga modelo at resulta

Ang paggamit ng AI sa Excel ay hindi nangangahulugang maaari na tayong basta na lamang magtiwala sa anumang numerong lumalabas sa screen. Mahalagang magtatag ng isang proseso para sa pana-panahong pagpapatunay ng mga modelo at ng kanilang mga hula , na inihahambing ang mga pagtatantya sa kung ano talaga ang nangyayari.

Isang karaniwang gawain ang pagreserba ng ilang historical data bilang isang validation set at suriin kung gaano kahusay ang paghula ng modelo sa mga kasong iyon. Sa Excel, madali itong magagawa sa pamamagitan ng pagkalkula ng mean errors, deviations, at iba pang indicators na natutulungan na ng mga function tulad ng FORECAST.ETS.STAT.

Bukod pa rito, ipinapayong ihambing ang mga resulta sa iba pang mga kagamitang analitikal kung mayroon, o kahit man lang suriin ang mga datos nang may sentido pangnegosyo: kung ang isang modelo ay nagmumungkahi ng hindi makatotohanang mataas na paglago o isang matinding pagbaba nang walang maliwanag na dahilan, maaaring nahaharap tayo sa problema sa disenyo ng datos o modelo.

Maipapayo rin na pana-panahong suriin at ayusin ang mga parameter at transpormasyon na inilapat sa Power Query at Power Pivot. Ang mga pagbabago sa kalidad ng pinagmulang datos, mga panloob na proseso, o merkado ay maaaring maging dahilan upang maging lipas na ang isang pamamaraan na balido isang taon na ang nakalipas , at kung hindi susuriin, magkakaroon ng mga error ang modelo.

Ang patuloy na proseso ng pagpapatunay na ito ay nakakatulong upang matiyak na ang AI ay hindi itinuturing na isang hindi nagkakamaling "black box" kundi bilang isang makapangyarihang kasangkapan na nangangailangan ng pangangasiwa , lalo na kapag ang mga desisyong nakasalalay dito ay may malaking implikasyon sa ekonomiya.

Mga karaniwang gamit ng predictive AI sa Excel

Sa pagsasagawa, ang mga kakayahan ng AI ng Excel ay inilalapat sa mga konkreto at pang-araw-araw na problema sa negosyo , na malayong-malayo sa abstraktong teorya. Ang ilan sa mga pinakakaraniwang kaso ay malinaw na naglalarawan ng potensyal ng mga tampok na ito.

Isa sa mga pinakalaganap ay ang pagtataya ng benta at demand . Gamit ang makasaysayang datos, ang FORECAST.ETS at mga modelong isinama sa Power BI ay nakakatulong na tantyahin kung ilang yunit ang ibebenta bawat panahon, kung aling mga produkto ang may mas mataas na seasonality, o kung aling mga segment ng customer ang magdadala ng pinakamalaking kita sa hinaharap.

Sa larangan ng customer, karaniwan ang pagbuo ng mga modelo ng pagmamarka at pagsusuri ng churn : tinutukoy ang mga pattern ng pag-uugali ng customer ng mga umaalis sa serbisyo, at nabubuo ang mga tagapagpahiwatig ng probabilidad ng churn. Ang mga resultang ito ay ipinapakita sa Excel at iniuugnay sa mga kampanya ng pagpapanatili o mga segmentasyon sa marketing.

Ang isa pang malawakang paggamit ay ang pag-optimize ng imbentaryo : sa pamamagitan ng pagsasama-sama ng datos ng benta, mga oras ng muling pagdadagdag, at kapasidad ng imbakan, maaaring maitatag ang pinakamainam na antas ng stock at maaaring ma-trigger ang mga awtomatikong alerto kapag ang forecast ay tumutukoy sa mga stockout o labis na stock.

Sa antas ng pananalapi, maraming kumpanya ang gumagamit ng Excel na may AI upang i-automate ang mga ulat, matukoy ang mga anomalya sa accounting, at mag-project ng mga senaryo ng cash flow, balance sheet, o income statement, umaasa sa mga predictive function at advanced visualization na ibinabahagi nila sa Power BI.

Sa lahat ng mga kasong ito, ang susi ay ang patuloy na pagtatrabaho ng end user sa pamilyar na kapaligiran ng Excel, habang ang pagiging kumplikado ng mga algorithm at imprastraktura ay pinangangasiwaan ng pinagsamang AI o konektadong mga panlabas na serbisyo.

Sa madaling salita, ang pagsasama-sama ng Excel, artificial intelligence, at predictive analytics ay nagbibigay-daan sa iyong masulit ang isang tool na pinagkadalubhasaan na ng karamihan sa mga propesyonal, na nagdaragdag ng isang layer ng pagtataya, automation, at pagtukoy ng pattern na, kapag ginamit kasama ng de-kalidad na data at wastong pagpapatunay, ay nagiging isang napaka-nasasalat na kalamangan sa kompetisyon.