V průběhu času má základní linie tendenci vykazovat konzistentní chování: její úroveň se zvyšuje, snižuje nebo zůstává neměnná (nebo může být sezónní nebo cyklická). Vztahy mezi časovými obdobími pomáhají měřit toto chování: vztah mezi jedním měsícem a následujícím měsícem nebo mezi jedním čtvrtletím a dalším čtvrtletím nebo mezi jedním čtvrtletím a stejným čtvrtletím v předchozím roce.
Vaše základní linie může z různých důvodů míchat vztahy mezi jejími časovými obdobími, některé dobré a některé špatné. Pár příkladů:
- Kdokoli shromáždil základní data (ne vy, určitě), přehlédl tržby za období od 15. června do 30. června. To je skutečný problém a je opravdu neobhajitelný. „Pes mi sežral domácí úkol“ zde neřeší.
- Sklad vyhořel do základů a nikdo nemohl nic prodat, dokud továrna nedohnala ztrátu zásob. Opět skutečný problém, ale vaší předpovědi to nepomůže, i když policie žháře chytí.
Důvod je tento: Pokud se téměř celý váš výchozí bod skládá z měsíčních příjmů a jedno časové období představuje pouze půl měsíce, jakákoli prognóza, která závisí na celém základním plánu, bude zrušena. Obrázek ukazuje příklad toho, co se může stát.
Špatná data z posledního časového období mohou vést ke špatné prognóze.
Buňky A1:B27 obsahují základní linii s přesnými výnosy v celém textu. Exponenciální vyhlazování poskytuje předpověď na srpen 2016 v buňce C28.
Buňky H1:I27 mají stejnou základní linii, kromě buňky I25. Z nějakého důvodu (nedbalé účetnictví, požár skladu nebo něco jiného) byly příjmy za květen 2016 podhodnoceny. Výsledkem je, že prognóza na srpen 2016 je o více než 6 000 USD nižší, než když příjmy z května 2016 nejsou výsledkem chyby ani jednorázového incidentu. Šest tisíc dolarů nemusí znít jako mnoho, ale v tomto kontextu jde o 8procentní rozdíl. A hned po problému je to ještě horší: Rozdíl ve dvou prognózách je v červnu 2016 17 procent.
Pokud nelze chybějící data najít, možná kvůli účetní chybě, nebo pokud k žádné chybě nedošlo, ale proces prodeje v květnu 2016 přerušil nějaký skutečně neobvyklý incident, pravděpodobně byste odhadli skutečné hodnoty za květen. Několik rozumných způsobů, jak to udělat:
- Vezměte průměr dubna a června a přiřaďte tento průměr květnu.
- Použijte červen 2014 až duben 2016 jako výchozí a prognózu pro květen 2016. Pak použijte tuto prognózu z května 2016 ve svém úplném základním plánu, od ledna 2014 do července 2016.
Tato situace je dobrým důvodem pro zmapování vaší základní linie. Při pohledu na základní čáru si možná nevšimnete, že květen 2016 je zvláštní. Ale hned vám to vyskočí, když si zmapujete základní linii – viz následující obrázek, zejména červen až srpen 2016 v každém grafu.
Oddball data na vás vyskočí, když si zmapujete základní linii.
Nedělejte si starosti s malými rozdíly v délce časových období základní linie. Březen má o den více než duben, ale nemá cenu se tím znepokojovat. Dva chybějící týdny jsou jiná věc.