Гугл таблицы предсказаний

Google Таблицы (Google Sheets) уже давно стали незаменимым инструментом для аналитики, планирования и построения простых моделей прогнозирования․ В этой статье мы подробно разберём, какие функции доступны для предсказаний, как их правильно использовать, какие ограничения существуют и какие продвинутые возможности можно задействовать (BigQuery ML, SheetAI, надстройки)․ Всё изложено на русском языке и снабжено примерами кода и пошаговыми инструкциями․

Что такое предсказания в Google Таблицах?

Под предсказанием (forecast) в контексте Google Таблиц обычно понимают вычисление будущих значений Y по известному набору точек (X, Y) с помощью линейной регрессии․ Встроенные функции позволяют быстро получить:

• ПРЕДСКАЗ (FORECAST) – аналог функции FORECAST․LINEAR в Excel; простая линейная регрессия․
• ТЕНДЕНЦИЯ (TREND) – возвращает массив значений, соответствующих линейному тренду․
• ЛИНЕЙН (LINEST) – массив коэффициентов регрессии и статистических параметров․

Эти функции работают по методу наименьших квадратов и подходят для данных без ярко выраженной сезонности․ Если в наборе присутствуют циклические всплески (например, продажи перед праздниками), простая линейная модель даст менее точные результаты․

Основные функции

Функция	Синтаксис	Что делает
ПРЕДСКАЗ	PREDICT(x; known_y; known_x)	Возвращает предсказанное значение y для заданного x․
ТЕНДЕНЦИЯ	TREND(known_y; known_x; new_x; [const])	Возвращает массив прогнозируемых y для диапазона new_x․
ЛИНЕЙН	LINEST(known_y; known_x; [const]; [stats])	Выдаёт коэффициенты линейной модели и, при запросе, статистику (R², стандартные ошибки и т․д․)․

Как построить простой прогноз с помощью функции ПРЕДСКАЗ

Рассмотрим типичный сценарий: прогноз роста числа подписчиков блога на ближайшие 6 месяцев․

1. Подготовьте таблицу данных․ В колонке A укажите номера периодов (например, месяц от начала наблюдения), в колонке B – фактическое количество подписчиков․

   A | B
   ----|----
   1 | 1200
   2 | 1350
   3 | 1500
   4 | 1650
   5 | 1800
   6 | 2000
    

2. Определите будущие периоды․ В колонке A после последнего известного значения добавьте новые номера (7‑12)․
3. Вставьте формулу ПРЕДСКАЗ․ В ячейку B7 введите:
   =ПРЕДСКАЗ(A7; B$1:B$6; A$1:A$6)
   Скопируйте её вниз до B12․ Таблица автоматически выдаст прогнозные значения․
4. Проверьте точность․ Если у вас уже есть исторические данные за последние периоды, сравните их с прогнозом, вычислив отклонение (например, =ABS(B7‑F7), где F7 – реальное значение)․

Полученный результат будет выглядеть так:

A | B (факт) | B (прогноз)
----|----------|------------
7 | | 21508 | | 2300
9 | | 2450
10 | | 2600
11 | | 2750
12 | | 2900

Прогноз без учёта сезонности vs с учётом сезонности

Функция ПРЕДСКАЗ не учитывает сезонные колебания․ Поэтому для данных, где наблюдаются регулярные пики (например, продажи в декабре), её результаты могут отклоняться от реальности․ Чтобы добавить сезонность, используйте один из следующих подходов:

• Метод скользящего среднего – создайте дополнительный столбец со средним за последние N периодов и используйте его как предиктор․
• Функция ТЕНДЕНЦИЯ + индикаторы сезона – добавьте в модель фиктивные переменные (например, «Месяц = 12»)․
• Надстройка “Regression Analysis Tool” – позволяет построить множественную регрессию с сезонными переменными․
• BigQuery ML – если данных слишком много, выгрузите их в BigQuery и обучите модель ARIMA, Prophet или линейную регрессию с сезонностью, а затем импортируйте предсказания обратно в Таблицы․

Расширенные возможности: от ТЕНДЕНЦИИ до машинного обучения

Функция ТЕНДЕНЦИЯ (TREND)

Если нужен сразу массив предсказаний, а не отдельные ячейки, используйте ТЕНДЕНЦИЯ:

=ТЕНДЕНЦИЯ(B$1:B$6; A$1:A$6; A7:A12)

Эта формула сразу вернёт 6 значений (для A7‑A12) и удобна для построения графиков․

Множественная регрессия с LINEST

Для более сложных моделей (например, учитывающих рекламные бюджеты) используйте ЛИНЕЙН:

=ЛИНЕЙН(B$1:B$6; {A$1:A$6, C$1:C$6}; ИСТИНА; ИСТИНА)

Здесь C – дополнительный предиктор (например, затраты на рекламу)․ Функция вернёт массив коэффициентов и статистику (R², стандартные ошибки)․

Надстройка “Regression Analysis Tool”

Эта надстройка (доступна в Google Workspace Marketplace) добавляет диалоговое окно, где можно выбрать набор переменных, включить сезонные индикаторы и получить готовую модель с графиками․

BigQuery ML – предсказания в облаке

Если ваш набор данных превышает 10 000 строк или требуется более продвинутая модель (ARIMA, Prophet), выполните следующие шаги:

1. Экспортируйте данные из Google Таблиц в BigQuery (Файл → Создать копию → BigQuery)․
2. Создайте модель, например:
   CREATE OR REPLACE MODEL `myproject․dataset․sales_forecast`
OPTIONS(model_type='ARIMA', time_series_timestamp_col='date', time_series_data_col='sales');
3. Получите предсказания:
   SELECT * FROM ML․FORECAST(MODEL `myproject․dataset․sales_forecast`, STRUCT(30 AS horizon));
4. Импортируйте результаты обратно в Google Таблицы через Data → Data connectors → BigQuery․

SheetAI – ИИ‑помощник в Google Таблицах

Новый расширенный помощник SheetAI (доступен с 2026 г․) позволяет генерировать формулы на естественном языке․ Пример запроса:

=AI․PREDICT("Прогнозировать продажи на 3 месяца вперед, учитывая рекламный бюджет и сезонность")

Система автоматически создаст нужные функции ТЕНДЕНЦИЯ, ЛИНЕЙН и построит график․

Практический пример: прогноз продаж в Google Таблицах

Сценарий: у вас есть исторические данные о ежемесячных продажах за 24 мес․, а также рекламный бюджет за каждый месяц․ Нужно спрогнозировать продажи на следующий квартал․

Структура таблицы

A	B	C	D
Месяц	Продажи	Бюджет рекламы	Сезонный индикатор (1 – дек)
2024‑01	15000	2000	0
2024‑02	15500	2100	0
2026‑12	21000	3000	1

Модель множественной регрессии (LINEST)

В ячейке F1 вводим:

=ЛИНЕЙН(B2:B25; {C2:C25; D2:D25}; ИСТИНА; ИСТИНА)

Результат – массив из 5 строк и 2 столбцов:

• Коэффициент при бюджете
• Коэффициент при сезонном индикаторе
• Свободный член (intercept)
• Статистика R² и т․д․

Прогноз для новых месяцев

Допустим, в ячейках C26:C28 указали бюджет (3100, 3200, 3300), а в D26:D28 – индикатор сезона (0, 0, 1)․ В ячейку B26 ставим формулу:

=F$1C26 + F$2D26 + F$3

Скопируйте её вниз до B28․ Получите прогноз продаж на 2026‑01‑03․

Визуализация

1. Выделите диапазон A1:B28․
2. Вставьте → Диаграмма → Линейный график․
3. В параметрах диаграммы включите «Показать тренд‑линию» → «Линейная» и задайте цвет для «Прогноз» (например, пунктир)․

График сразу покажет исторические данные и прогнозный отрезок․

Часто задаваемые вопросы (FAQ)

• Можно ли использовать ПРЕДСКАЗ для нелинейных данных? – Функция работает только с линейной регрессией․ Для нелинейных зависимостей используйте LOGEST (экспоненциальный), GROWTH или построьте модель в BigQuery ML․
• Как учесть инфляцию или изменение валютного курса? – Добавьте соответствующие индикаторы (например, курс USD/RUB) в качестве дополнительных предикторов и используйте ЛИНЕЙН․
• Можно ли автоматизировать обновление прогноза? – Да․ Настройте Google Apps Script, который каждое утро скачивает новые данные, пересчитывает модели и отправляет отчёт на почту․
• Почему мой прогноз сильно отклоняется от реальных данных? – Проверьте:
  1. Наличие сезонных пиков (добавьте индикаторы)․
  2. Корректность диапазонов в формулах (абсолютные ссылки $)․
  3. Отсутствие выбросов в исторических данных․

Google Таблицы предоставляют мощный, но при этом простой набор инструментов для построения предсказаний:

• Для быстрых линейных прогнозов, ПРЕДСКАЗ и ТЕНДЕНЦИЯ․
• Для более сложных моделей — ЛИНЕЙН, надстройка Regression Analysis Tool и интеграция с BigQuery ML․
• Для автоматизации и генерации формул в естественном языке — SheetAI․

Помните, что прогноз без учёта сезонности подходит лишь для относительно стабильных рядов․ При наличии регулярных циклов добавляйте сезонные индикаторы или используйте более продвинутые модели в BigQuery․

С этими знаниями вы сможете создавать точные и визуально понятные прогнозы, улучшать планирование бюджета и принимать более обоснованные бизнес‑решения․

---

Дата публикации: 14 мая 2026 г․