Du skal have styr på den specialiserede terminologi, der bruges i salgsprognoser af et par meget praktiske årsager. Den ene er, at du kan blive bedt om at forklare dine prognoser til din chef eller i et møde med for eksempel salgschefer.
En anden god grund er, at Excel bruger mange af disse udtryk, ligesom andre programmer, og det er meget nemmere at finde ud af, hvad der foregår, hvis du ved, hvad udtrykkene betyder.
Autoregressive integrerede glidende gennemsnit (ARIMA)
Hvis du skal lave prognoser, vil en eller anden smart aleck til sidst spørge dig, om du brugte autoregressive, integrerede glidende gennemsnit (ARIMA), og du burde vide, hvordan du svarer. ARIMA er til dels en prognosemetode, og også en måde at evaluere din baseline på, så du kan få kvantitativ dokumentation, der understøtter brugen af en regressionstilgang, en glidende gennemsnitstilgang eller en kombination af begge. Medmindre du virkelig tager fat på disse prognoser, vil du normalt klare dig fint uden det, selvom det er et fremragende, om end komplekst, diagnostisk værktøj.
I øvrigt burde dit svar på den smarte aleck være: "Nej. Jeg har arbejdet med denne baseline så længe nu, at jeg ved, at jeg får mine bedste resultater med eksponentiel udjævning. Hvilket, som du ved, er en af de former, ARIMA kan tage."
Baseline
En basislinje er en sekvens af data arrangeret i kronologisk rækkefølge. Nogle eksempler på basislinjer inkluderer samlede månedlige indtægter fra januar 2010 til december 2015, antal solgte enheder ugentligt fra 1. januar 2015 til 31. december 2016 og samlede kvartalsvise indtægter fra 1. kvartal 2007 til 4. kvartal 2016. Data arrangeret på denne måde kaldes nogle gange for en tidsserie.
Korrelation
En korrelationskoefficient udtrykker, hvor stærkt to variable er forbundet. Dens mulige værdier går fra –1,0 til +1,0, men i praksis finder man aldrig korrelationer så ekstreme. Jo tættere en korrelationskoefficient er på +/–1,0, jo stærkere er forholdet mellem de to variable. En korrelation på 0,0 betyder ingen sammenhæng. Så du kan måske finde en sammenhæng på +0,7 (temmelig stærk) mellem antallet af sælgere du har og den samlede omsætning, de indbringer: Jo større antal reps, jo flere bliver der solgt. Og du kan måske finde en sammenhæng på –0,1 (temmelig svag) mellem hvor meget en rep sælger og hans telefonnummer.
En særlig type korrelation er autokorrelationen, som beregner styrken af sammenhængen mellem en observation i en baseline og en tidligere observation (ofte, men ikke altid, forholdet mellem to på hinanden følgende observationer). Autokorrelationen fortæller dig styrken af forholdet mellem det, der kom før og det, der kom efter. Dette hjælper dig igen med at beslutte, hvilken slags prognoseteknik du skal bruge. Her er et eksempel på, hvordan man beregner en autokorrelation, der kan gøre konceptet lidt klarere:
=CORREL(A2:A50;A1:A49)
Denne Excel-formel bruger CORREL-funktionen til at vise, hvor stærk (eller hvor svag) en sammenhæng der er mellem de værdier, der er i A2:A50 og dem i A1:A49. De mest nyttige autokorrelationer involverer basislinjer, der er sorteret i kronologisk rækkefølge. (Denne form for autokorrelation er ikke helt den samme som autokorrelationerne beregnet i ARIMA-modeller.)
Cyklus
En cyklus ligner et årstidsmønster, men du betragter det ikke på samme måde, som du gør sæsonbestemt. Opsvinget kan strække sig over flere år, og nedturen kan gøre det samme. Desuden kan en hel cyklus tage fire år at gennemføre, og den næste kun to år. Et godt eksempel er konjunkturcyklussen: Recessioner jagter højkonjunkturer, og du ved aldrig, hvor længe hver enkelt vil vare. I modsætning hertil har årlige årstider samme længde, eller næsten det.
Dæmpningsfaktor
Den dæmpende faktor er en brøkdel mellem 0,0 og 1,0, som du bruger i eksponentiel udjævning at afgøre, hvor meget af fejlen i den forudgående prognose vil blive brugt i beregningen af den næste prognose.
Egentlig er brugen af udtrykket dæmpningsfaktor lidt usædvanlig. De fleste tekster om eksponentiel udjævning henviser til udjævningskonstanten. Dæmpningsfaktoren er 1,0 minus udjævningskonstanten. Det er virkelig lige meget, hvilket udtryk du bruger; du justerer blot formlen i overensstemmelse hermed.
Eksponentiel udjævning
Dumt udtryk, selvom det er teknisk præcist. Ved at bruge eksponentiel udjævning sammenligner du din tidligere prognose med den tidligere faktiske (i denne sammenhæng er en faktisk salgsresultatet, som Regnskab fortæller dig - bagefter - at du genererede). Så bruger du fejlen - det vil sige forskellen mellem den tidligere prognose og den tidligere faktiske - til at justere den næste prognose og, håber du, gøre den mere nøjagtig, end hvis du ikke havde taget den tidligere fejl i betragtning.
Prognoseperiode
Den prognoseperioden er den tid, der er repræsenteret ved hver observation i din baseline. Udtrykket bruges, fordi din prognose normalt repræsenterer samme tidsrum som hver basislinjeobservation. Hvis din basislinje består af månedlige salgsindtægter, er din prognose normalt for den kommende måned. Hvis basislinjen består af kvartalsvise salg, er din prognose normalt for det næste kvartal. Ved at bruge regressionstilgangen kan du lave prognoser længere ud i fremtiden end blot én prognoseperiode, men jo længere din prognose kommer fra den seneste faktiske observation, jo tyndere bliver isen.
Glidende gennemsnit
Du er sikkert stødt på konceptet med glidende gennemsnit et eller andet sted langs linjen. Ideen er, at gennemsnitsberegning får støj i basislinjen til at udligne, hvilket efterlader dig en bedre idé om signalet (hvad der virkelig foregår over tid, ubesudlet af de uundgåelige tilfældige fejl). Det er et gennemsnit, fordi det er gennemsnittet af et antal på hinanden følgende observationer, såsom gennemsnittet af salget i januar, februar og marts. Det bevæger sig, fordi de tidsperioder, der er gennemsnittet, bevæger sig fremad i tiden - så det første glidende gennemsnit kunne omfatte januar, februar og marts; det andet glidende gennemsnit kunne omfatte februar, marts og april; og så videre.
Der er intet krav om, at hvert glidende gennemsnit skal indeholde tre værdier – det kan være to, eller fire, eller fem eller måske endda flere.
Forudsigelsesvariabel
Du finder generelt dette udtryk i brug, når du prognoser med regression. Den indikator variabel er den variabel, du bruger til at estimere en fremtidig værdi af variablen, du ønsker at forudsige. For eksempel kan du finde et pålideligt forhold mellem enhedssalgspris og salgsvolumen. Hvis du ved, hvor meget din virksomhed har til hensigt at opkræve pr. enhed i løbet af det næste kvartal, kan du bruge dette forhold til at forudsige salgsvolumen for næste kvartal. I dette eksempel er enhedssalgspris forudsigelsesvariablen.
Regression
Hvis du bruger regressionstilgangen til salgsprognoser, er det fordi du har fundet en pålidelig sammenhæng mellem salgsindtægter og en eller flere forudsigelsesvariable. Du bruger dette forhold plus din viden om fremtidige værdier af prædiktorvariablerne til at skabe din prognose.
Hvordan ville du kende disse fremtidige værdier af prædiktorvariablerne? Hvis du vil bruge enhedsprisen som en forudsigelse, er en god måde at finde ud af fra Product Management, hvor meget den har til hensigt at opkræve pr. enhed i løbet af hvert af de næste, f.eks. fire kvartaler. En anden måde involverer datoer: Det er helt muligt, og endda almindeligt, at bruge datoer (såsom måneder inden for år) som en forudsigelsesvariabel.
Sæsonbestemt
I løbet af et år kan din basislinje stige og falde på sæsonbasis. Måske sælger du et produkt, hvis salg stiger i varmt vejr og falder under kulde. Hvis du kan se nogenlunde det samme mønster forekomme inden for hvert år over en periode på flere år, ved du, at du ser på sæsonudsving. Du kan udnytte den viden til at forbedre dine prognoser. Det er nyttigt at skelne årstider fra cyklusser. Du ved aldrig, hvor længe en given cyklus vil vare. Men hver af fire sæsoner på et år er tre måneder lang.
Trend
En trend er tendensen af niveauet af en basislinje til at stige eller falde over tid. En stigende omsætningstendens er naturligvis gode nyheder for sælgere og salgsledelse, for ikke at sige noget om resten af virksomheden. Et faldende salgsgrundlag, selvom det sjældent er gode nyheder, kan informere Marketing og Product Management om, at de skal træffe og handle på nogle beslutninger, måske smertefulde. Uanset trendens retning, kan det faktum, at der eksisterer en tendens, give problemer for dine prognoser i nogle sammenhænge - men der er måder at håndtere disse problemer på.