Com saber si una tendència de previsió és real? Si veieu una línia de base que sembla que està a la deriva cap amunt o cap avall, això representa una tendència real o és només una variació aleatòria? Per respondre aquestes preguntes, has d'entrar en probabilitats i estadístiques. Afortunadament, no cal que us endinseu massa lluny, potser fins al canell.
El tren bàsic del pensament és així:
Utilitzeu Excel per dir-vos quina és la correlació entre els ingressos de vendes i els períodes de temps associats.
No importa si represento aquest període de temps com a gener de 2011, febrer de 2011 i març de 2011 . . . desembre de 2016, o com a 1, 2, 3 . . . 72.
Si no hi ha cap relació, tal com es mesura per la correlació, entre els ingressos i el període de temps, no hi ha tendència i no cal que us preocupeu per això.
Si hi ha una relació entre els ingressos i els períodes de temps, heu de triar la millor manera de gestionar la tendència.
Després que Excel calculi la correlació, heu de decidir si representa una relació real entre el període de temps i l'import dels ingressos, o si és només un cop de sort.
Si la probabilitat que sigui només sort és inferior al 5 per cent, és una tendència real. (Tampoc no hi ha res màgic sobre el 5 per cent; és convencional. Algunes persones prefereixen utilitzar l'1 per cent com a criteri; és més conservador que el 5 per cent, i se senten una mica més segurs.) Això planteja la qüestió de la importància estadística: quin nivell de probabilitat necessiteu abans de decidir que alguna cosa (aquí, una correlació) és el veritable McCoy?
Hi ha diversos mètodes per provar la significació estadística d'un coeficient de correlació. Aquí hi ha tres mètodes populars:
- Proveu la correlació directament i compareu el resultat amb la distribució normal.
- Proveu la correlació directament i compareu el resultat amb la distribució t (la distribució t, tot i que semblant a la corba normal, suposa que utilitzeu una mostra més petita en lloc d'una població infinitament gran).
- Convertiu la correlació amb la transformació de Fisher (que converteix un coeficient de correlació en un valor que s'ajusti a la corba normal) i compareu el resultat amb la distribució normal.
Existeixen altres mètodes populars per provar la significació estadística d'un coeficient de correlació. Cadascun retorna un resultat lleugerament diferent. A la pràctica, gairebé sempre prendreu la mateixa decisió (la correlació és o no significativament diferent de zero), independentment del mètode que trieu.
Si conclou que la tendència que mesura la correlació és real (i quan la probabilitat és inferior a l'1 per cent que la correlació sigui un fantasma, probablement hauríeu d'acceptar aquesta conclusió), teniu dues preguntes més per fer-vos:
- Hauríeu d'utilitzar un enfocament de previsió que tracti bé les tendències? Pensaríeu que si detecteu una tendència, hauríeu d'utilitzar un enfocament de previsió que gestioni bé les tendències. Això sovint és cert, però no necessàriament. Suposem que en comptes d'utilitzar el període de temps com una de les variables de la vostra anàlisi de correlació, heu utilitzat alguna cosa com ara els ingressos de vendes obtinguts per la competència.
Si els ingressos de la competència estan baixant com els vostres (o si els dos conjunts d'ingressos estan creixent), trobareu una possible correlació significativa entre els vostres ingressos i els de la competència. Però és molt possible, fins i tot probable, que no hi hagi cap relació causal real entre els seus ingressos i els vostres. Pot ser que tant els vostres com els vostres estiguin correlacionats amb el factor causal real: la mida del mercat global està canviant. En aquest cas, probablement seria molt millor utilitzar una mesura de la mida global del mercat com a variable predictiva. En aquest escenari, la mida del mercat té una relació directa i causal amb els vostres ingressos, mentre que els ingressos de la vostra competència només tenen una relació indirecta amb els vostres ingressos.
- Hauríeu de reduir les tendències de les dades? Una variable oculta, com ara un canvi consistent en la mida global d'un mercat, pot fer-vos creure que una variable predictora i la variable que voleu pronosticar estan directament relacionades, quan en realitat no ho estan. O el predictor i el pronòstic poden canviar de manera similar perquè tots dos estan relacionats amb el temps.
La manera de manejar aquest tipus de situacions és deduir primer ambdues variables mitjançant una transformació.
O potser preferiu fer la vostra previsió utilitzant un enfocament que no necessàriament gestioni bé les tendències, com ara mitjanes mòbils o un simple suavització exponencial. Una de les raons per fer-ho és que és possible que trobeu que l'enfocament de regressió amb el vostre conjunt de dades no és un pronosticador tan precís com les mitjanes mòbils o la suavització. De nou, mireu si podeu transformar les dades per eliminar la tendència.