Výběr časových období v aplikaci Excel Sales Forecasting

Předpokládejme, že potřebujete předpovídat tržby na časové období, které je mimo současnost – například rok. Zde vstupuje do hry úsudek spolu s povahou vašich požadavků.

Pokud vaše základní linie sestává z několika let, přičemž skutečné hodnoty jsou rozděleny po měsících, můžete zvážit změnu časového období základní linie z měsíců na roky. Pak můžete předpovídat celý příští rok – ačkoli vaše předpovědi nebudou každý měsíc. Získali byste prognózu o jeden krok napřed a tím krokem by byl celý rok.

Kontingenční tabulky jsou užitečné pro shrnutí výchozích dat do delších časových období.

Zde je to, co se děje na obrázku:

• Sloupec A obsahuje měsíc, během kterého byly zaúčtovány výnosy. Sahá dolů za spodní část viditelné oblasti listu do prosince 2016.
• Sloupec B obsahuje výnosy za každý měsíc.
• Rozsah D3:E8 obsahuje kontingenční tabulku. (Kontingenční tabulky Excelu jsou obrovským přínosem pro prognózování a jak je používat, můžete zjistit v kapitole 8.) Tato kontingenční tabulka převádí měsíční data ve sloupcích A a B na roční data – součet příjmů za každý rok.
• Prognóza na každý rok s použitím klouzavých průměrů je v rozmezí G6:H8. Vaše předpověď na rok 2017 o jeden krok napřed je v buňce H9. V tomto případě jsou prognózy založeny na dvouletých klouzavých průměrech, spíše než na průměrech za tři období, které se objevují.

Přístup má několik nevýhod:

• Vaše základní linie se pohybuje od 60 pozorování (měsíční výnosy za 5 let, dobře dlouhá základní linie) do 5 pozorování (roční výnosy za 5 let, skutečně krátká základní linie). Zkrácení délky základní linie tak drasticky často způsobuje zavádějící výsledky. Ale protože měsíční výnosy vykazují stejný postupný růst jako roční úhrny, můžete mít v ročnících určitou důvěru.
• Kdokoli požádal o prognózu – účetní, banka, obchodní manažer, obchodní viceprezident – ​​mohl chtít vidět prognózu na rok 2017 na měsíční bázi. Pokud ano, budete pravděpodobně muset zálohovat na měsíční základnu a použít regresi ( pravděpodobně proto , že můžete být schopni najít sezónnost v základní linii, která by podpořila sezónní vyhlazování).