Když budete požádáni, abyste vytvořili prognózu prodeje pomocí dat aplikace Excel, jednou z prvních věcí, které musíte zvážit, je, jak daleko do budoucnosti chcete srovnávat. Některé prognostické techniky vám umožní předpovídat dále než jiné. Tento obrázek ukazuje dvě techniky, které umožňují předpovídat pouze jedno časové období dopředu.
Klouzavé průměry jsou obvykle omezeny na předpovědi o jeden krok napřed.
Všimněte si, co se stane, když je natáhnete příliš daleko: Jako gumičky se zlomí a zacvaknou vám zpět.
Podívejte se nejprve na buňku D5. Je to průměr buněk B2, B3 a B4 a je to to, co předpovídá přístup klouzavého průměru na září 2004. To znamená, že tak, jak je tato předpověď nastavena, předpověď na září je průměrem června, července a srpna. . Prognózu 40 867 USD můžete vidět v buňce D5 a samotný vzorec pro ilustraci v buňce E5.
Vzorec v D5 je zkopírován a vložen do buňky D28, kde poskytuje „skutečnou“ předpověď pro srpen 2016. Používám „skutečnou“ v tom smyslu, že jsem ještě neviděl skutečnou hodnotu pro daný měsíc – můj nejnovější skutečná hodnota je pro červenec 2016 – srpen 2016 je tedy za koncem základní linie a předpověď pro daný měsíc je skutečná předpověď. Samotný vzorec se zobrazí v buňce E28.
Ale pokud vzorec zkopírujete a vložíte o jeden řádek níže, abyste se pokusili o předpověď na září 2016, natáhli jste to příliš daleko. Nyní se pokouší zprůměrovat skutečné výsledky za červen až srpen 2016 a vy nemáte žádné skutečné výsledky za srpen. Vzhledem k tomu, jak funguje PRŮMĚR v Excelu, ignoruje buňku B28 a vzorec vrátí průměr B26 a B27.
Okresní prokurátor odmítne stíhání, pokud zjistíte, že se náhle posouváte z tříměsíčního klouzavého průměru na dvouměsíční, ale to byste opravdu neměli. Pokud tak učiníte, pozvete jablko ke smíchání s pomeranči.
A pokud svou předpověď snížíte mnohem níže, začne vracet opravdu ošklivou chybovou hodnotu #DIV/0!. (Ten vykřičník má upoutat vaši pozornost. Excel na vás křičí: "Pokoušíš se dělit nulou!")
Podobná situace nastává u exponenciálního vyhlazování a je znázorněna na tomto obrázku. Vzorec pro vyhlazení se liší od vzorce pro klouzavé průměry, ale něco podobného se stane, když v buňce D28 překonáte předpověď o jeden krok napřed.
Pokud chcete předpovídat dále dopředu, zvažte regresní předpověď.
Všimněte si, že vzorec v buňce D29 (vzorec je zobrazen v E29; hodnota, kterou vzorec vrátí, se objeví v D29) používá hodnoty v buňkách B28 a D28. Ale protože ještě nemáte aktuální pro srpen, „předpověď“ na září 2016 je chybná: Ve skutečnosti to není nic jiného než předpověď na srpen vynásobená 0,7. Opět platí, že v tomto druhu exponenciálního vyhlazování jste omezeni na prognózu o jeden krok napřed.
Obrázek ukazuje odlišnou situaci, kdy je prognóza sestavena pomocí regrese spíše než klouzavých průměrů nebo exponenciálního vyhlazování.
Pomocí regrese jste v jiné pozici než s klouzavými průměry a exponenciálním vyhlazováním. Jak ukazuje následující obrázek, můžete své prognózy vytvářet pomocí samotného data jako prediktoru: Každá hodnota prognózy je založena na vztahu mezi datem a výnosy na základní linii.
Spojnice trendu v grafu je převzata z listu. Můžete jej také získat z nabídky Graf.
Protože znáte hodnotu následujících dvou dat, srpna a září 2016, můžete k získání prognózy použít vztah mezi datem a tržbami ve výchozím stavu v následujících dvou datech. Hodnoty prognózy se zobrazí v buňkách C28 a C29 a zobrazí se v grafu jako poslední dva body v řadě prognóz.
Nyní, čím dále do budoucnosti předpovídáte pomocí regrese, tím tenčí led (nebo, pokud dáváte přednost dřívější metafoře, tím více namáháte gumičku). Čím dále se dostanete od konce své základní čáry, tím více příležitostí mají skutečné osoby změnit směr – například odbočit dolů nebo vyrovnat.
Pokud skutečně potřebujete předpovídat řekněme 12 měsíců do budoucnosti na měsíční bázi a pokud si myslíte, že existuje spolehlivý vztah mezi datem a výší tržeb, pak může být regrese vaší nejlepší volbou. Ale mějte na paměti, že věci se v budoucnu zhorší.
Další metodou, jak posunout vaši předpověď nad rámec přístupu o jeden krok napřed, je sezónní vyhlazování. Tento přístup, který závisí na sezónní složce ve vaší základní linii, může podpořit prognózu, která jde v daném roce do budoucnosti. Není to nutně tak, ale je to možné.