Musíte se seznámit se specializovanou terminologií používanou v prognózování prodeje z několika velmi praktických důvodů. Jedním z nich je, že můžete být požádáni, abyste své prognózy vysvětlili svému šéfovi nebo na schůzce například obchodních manažerů.
Dalším dobrým důvodem je, že Excel používá mnoho z těchto termínů, stejně jako jiné programy, a zjistit, co se děje, je mnohem snazší, pokud víte, co tyto termíny znamenají.
Autoregresivní integrované klouzavé průměry (ARIMA)
Pokud se chystáte dělat prognózy, nějaký chytrý aleck se vás nakonec zeptá, zda jste použili autoregresivní integrované klouzavé průměry (ARIMA), a měli byste vědět, jak odpovědět. ARIMA je částečně prognostická metoda a také způsob vyhodnocení vaší základní linie, abyste mohli získat kvantitativní důkazy, které podporují použití regresního přístupu, přístupu klouzavého průměru nebo kombinace obou. Pokud se do těchto předpovědí opravdu nepustíte, obvykle se bez nich obejdete, i když jde o vynikající, i když složitý diagnostický nástroj.
Mimochodem, vaše odpověď na smart aleck by měla znít: „Ne. S touto základní linií pracuji už tak dlouho, že vím, že nejlepších výsledků dosahuji s exponenciálním vyhlazováním. Což, jak víte, je jedna z forem, které ARIMA může mít.“
Základní linie
Základní je posloupnost dat uspořádaných v chronologickém příkladech order.Some základních linií zahrnují celkové měsíční výnosy z ledna 2010 do prosince 2015, počet prodaných týdně od 1. ledna 2015 do 31. prosince 2016, a celkový čtvrtletní příjmů z Q1 2007 až 4. čtvrtletí 2016. Takto uspořádaná data se někdy nazývají časová řada.
Korelace
Korelační koeficient vyjadřuje, jak silně se vztahují dvě proměnné. Jeho možné hodnoty se pohybují od –1,0 do +1,0, ale v praxi nikdy nenajdete tak extrémní korelace. Čím blíže je korelační koeficient +/–1,0, tím silnější je vztah mezi těmito dvěma proměnnými. Korelace 0,0 znamená žádný vztah. Můžete tedy najít korelaci +0,7 (poměrně silnou) mezi počtem obchodních zástupců, které máte, a celkovými příjmy, které přinášejí: Čím větší počet opakování, tím více se toho prodá. A můžete najít korelaci –0,1 (docela slabá) mezi tím, kolik zástupce prodává a jeho telefonním číslem.
Speciálním typem korelace je autokorelace, která vypočítává sílu vztahu mezi jedním pozorováním ve výchozím stavu a dřívějším pozorováním (často, ale ne vždy, vztah mezi dvěma po sobě jdoucími pozorováními). Autokorelace vám říká sílu vztahu mezi tím, co bylo předtím, a tím, co přišlo potom. To vám zase pomůže rozhodnout se, jaký typ předpovědní techniky použít. Zde je příklad, jak vypočítat autokorelaci, která by mohla koncept trochu objasnit:
=CORREL(A2:A50,A1:A49)
Tento vzorec aplikace Excel používá funkci CORREL k zobrazení toho, jak silný (nebo slabý) existuje vztah mezi hodnotami v A2:A50 a A1:A49. Nejužitečnější autokorelace zahrnují základní linie, které jsou seřazeny v chronologickém pořadí. (Tento druh autokorelací není úplně stejný jako autokorelace vypočítané v modelech ARIMA.)
Cyklus
Cyklus je podobný sezónní vlivy, ale nepovažuji to stejným způsobem jako vy sezónnost. Vzestup může trvat několik let a vzestup může udělat totéž. Kromě toho může dokončení jednoho celého cyklu trvat čtyři roky a dalšího pouze dva roky. Dobrým příkladem je obchodní cyklus: Recese honí boomy a nikdy nevíte, jak dlouho bude každý trvat. Naproti tomu roční období mají stejnou nebo téměř stejnou délku.
Faktor tlumení
Tlumící faktor je frakce mezi 0,0 a 1,0, použít v exponenciální vyhlazování určit, kolik z chyby v předchozí prognóze bude použita při výpočtu Další prognózu.
Ve skutečnosti je použití pojmu faktor tlumení trochu neobvyklé. Většina textů o exponenciálním vyhlazování odkazuje na konstantu vyhlazování. Faktor tlumení je 1,0 mínus konstanta vyhlazování. Opravdu nezáleží na tom, který výraz použijete; pouze podle toho upravíte vzorec.
Exponenciální vyhlazování
Hloupý termín, i když technicky přesný. Pomocí exponenciálního vyhlazování porovnáváte svou předchozí předpověď s předchozí skutečnou (v tomto kontextu je skutečný výsledek prodeje, který vám Účetnictví sdělí – po faktu – který jste vygenerovali). Pak použijete chybu – tedy rozdíl mezi předchozí prognózou a předchozí skutečnou – k úpravě další prognózy a doufáte, že ji zpřesníte, než kdybyste předchozí chybu nezohlednili.
Období předpovědi
Období prognózy je doba, kterou představují jednotlivá pozorování ve vaší základní linii. Termín se používá, protože vaše předpověď obvykle představuje stejnou dobu jako každé základní pozorování. Pokud vaše základní linie sestává z měsíčních výnosů z prodeje, vaše prognóza je obvykle na nadcházející měsíc. Pokud se základní linie skládá ze čtvrtletních prodejů, vaše předpověď je obvykle na další čtvrtletí. Pomocí regresního přístupu můžete vytvářet předpovědi dále do budoucnosti než jen na jedno předpovědní období, ale čím dále se vaše předpověď dostane od posledního skutečného pozorování, tím tenčí led.
Klouzavý průměr
Pravděpodobně jste někde narazili na koncept klouzavých průměrů. Myšlenka je taková, že průměrování způsobí, že se šum v základní linii vyruší, takže získáte lepší představu o signálu (co se skutečně děje v průběhu času, neposkvrněné nevyhnutelnými náhodnými chybami). Je to průměr, protože je to průměr určitého počtu po sobě jdoucích pozorování, jako je průměr tržeb v lednu, únoru a březnu. Je to pohybující se proto, že lhůty, které jsou zprůměrovány krok vpřed v čase - to je první klouzavý průměr by mohly zahrnovat leden, únor a březen; druhý klouzavý průměr by mohl zahrnovat únor, březen a duben; a tak dále.
Neexistuje žádný požadavek, aby každý klouzavý průměr zahrnoval tři hodnoty – mohou to být dvě, čtyři nebo pět, případně ještě více.
Prediktorová proměnná
Tento termín se obvykle používá, když provádíte prognózy s regresí. Proměnná prediktoru je proměnná, kterou používáte k odhadu budoucí hodnoty proměnné, kterou chcete předpovídat. Můžete například najít spolehlivý vztah mezi jednotkovou prodejní cenou a objemem prodeje. Pokud víte, kolik vaše společnost hodlá účtovat za jednotku během příštího čtvrtletí, můžete tento vztah použít k předpovědi objemu prodeje na příští čtvrtletí. V tomto příkladu je predikční proměnnou jednotková prodejní cena.
Regrese
Pokud používáte regresní přístup k prognózování prodeje, je to proto, že jste našli spolehlivý vztah mezi výnosy z prodeje a jednou nebo více proměnnými prediktoru. Tento vztah a vaši znalost budoucích hodnot proměnných prediktoru použijete k vytvoření prognózy.
Jak byste znali tyto budoucí hodnoty prediktorových proměnných? Pokud hodláte jako prediktor používat jednotkovou cenu, jedním dobrým způsobem je zjistit od produktového managementu, kolik hodlá účtovat za jednotku během každého z následujících, řekněme čtyř čtvrtletí. Další způsob zahrnuje data: Je zcela možné, a dokonce běžné, používat data (například měsíce v letech) jako proměnnou prediktoru.
Sezónnost
V průběhu roku může vaše základní linie sezónně stoupat a klesat. Možná prodáváte produkt, jehož prodeje rostou během teplého počasí a klesají během chladu. Pokud vidíte, že se v každém roce během několika let vyskytuje zhruba stejný vzorec, víte, že se díváte na sezónnost. Tyto znalosti můžete využít ke zlepšení svých předpovědí. Je užitečné rozlišovat roční období od cyklů. Nikdy nevíte, jak dlouho daný cyklus potrvá. Ale každé ze čtyř ročních období má tři měsíce.
Trend
Trend je tendence úrovni základní hodnoty stoupat nebo klesat v průběhu času. Trend rostoucích příjmů je samozřejmě dobrou zprávou pro obchodní zástupce a management prodeje, o zbytku společnosti nemluvě. Klesající základní úroveň prodeje, i když jen zřídka dobré zprávy, může informovat marketing a produktový management o tom, že musí učinit některá rozhodnutí, možná bolestivá, a jednat podle nich. Bez ohledu na směr trendu může skutečnost, že trend existuje, způsobit v některých kontextech problémy pro vaše prognózy – existují však způsoby, jak se s těmito problémy vypořádat.