Over tid har en basislinje en tendens til at vise ensartet adfærd: Dens niveau er stigende, faldende eller forbliver stationært (eller det kan være sæsonbestemt eller cyklisk). Forholdet mellem tidsperioder hjælper med at måle denne adfærd: forholdet mellem en måned og den næste, eller mellem et kvartal og det næste, eller mellem et kvartal og det samme kvartal i det foregående år.
Din baseline kan blande forholdet mellem dets tidsperioder af forskellige årsager, nogle gode og nogle dårlige. Et par eksempler:
- Den, der har samlet basisdataene (ikke dig, bestemt) overså salgsindtægterne for 15. juni til 30. juni. Dette er et reelt problem, og det er virkelig uforsvarligt. "Hunden spiste mine lektier" betyder det ikke her.
- Lageret brændte ned til grunden, og ingen kunne sælge noget, før fabrikken kunne indhente tabet af inventar. Igen, et reelt problem, men det hjælper ikke din prognose, selvom politiet fanger brandstifteren.
Årsagen er denne: Hvis næsten hele din baseline består af månedlige indtægter, og en tidsperiode repræsenterer kun en halv måned, vil enhver prognose, der afhænger af hele baseline, blive smidt af. Figuren viser et eksempel på, hvad der kan ske.
Dårlige data fra en nylig tidsperiode kan føre til en dårlig prognose.
Celler A1:B27 indeholder en basislinje med nøjagtige indtægter hele vejen igennem. Eksponentiel udjævning giver prognosen for august 2016 i celle C28.
Celler H1:I27 har den samme baseline, bortset fra celle I25. Af en eller anden grund (uagtsomt regnskab, den der lagerbrand eller noget andet) er omsætningen for maj 2016 blevet underrapporteret. Resultatet er, at prognosen for august 2016 er mere end $6.000 mindre, end den er, når maj 2016-indtægterne hverken er resultatet af en fejl eller en engangshændelse. Seks tusinde dollars lyder måske ikke af meget, men i denne sammenhæng er det en forskel på 8 procent. Og det er endnu værre lige efter problemet opstår: Forskellen på de to prognoser er 17 procent i juni 2016.
Hvis de manglende data ikke kan lokaliseres, måske på grund af en regnskabsfejl, eller hvis der ikke er lavet en fejl, men en virkelig usædvanlig hændelse afbrød salgsprocessen i løbet af maj 2016, ville du sandsynligvis anslå de faktiske tal for maj. Et par fornuftige måder at gøre det på:
- Tag gennemsnittet af april og juni, og tilknytt dette gennemsnit til maj.
- Brug juni 2014 til april 2016 som udgangspunkt, og prognose for maj 2016. Brug derefter prognosen for maj 2016 i din fulde basislinje, januar 2014 til juli 2016.
Denne situation er en god grund til at kortlægge din baseline. Bare at se på basislinjen, bemærker du måske ikke, at maj 2016 er en mærkelig kugle. Men det springer lige ud af dig, hvis du kortlægger basislinjen - se følgende figur, især juni til august 2016 i hvert diagram.
Oddball-data springer ud af dig, når du kortlægger basislinjen.
Du skal ikke bekymre dig om små forskelle i længden af basislinjens tidsperioder. Marts har en dag mere end april, men det er ikke værd at bekymre sig om. To manglende uger er en anden sag.