Begrebet regression lyder ikke så slemt som eksponentiel udjævning, men det er mere kompliceret, i det mindste med hensyn til matematikken. Og derfor er regressionsværktøjet i tilføjelsesprogrammet Data Analysis praktisk. Tilføjelsesprogrammet tager ansvar for matematikken, ligesom det gør med glidende gennemsnit og eksponentiel udjævning.
Du skal stadig give en god baseline til værktøjerne i Data Analysis-tilføjelsen for at få nøjagtige resultater.
Her er et hurtigt kig på prognoser med regression.
Ideen bag regression er, at en variabel har en sammenhæng med en anden variabel. Når du for eksempel er barn, har din højde en tendens til at have et forhold til din alder. Så hvis du vil forudsige, hvor høj du bliver næste år - i det mindste indtil du holder op med at vokse - kan du tjekke, hvor gammel du bliver næste år.
Selvfølgelig er folk forskellige. Når de er 15 år, er nogle mennesker 5 fod høje, andre er 6 fod høje. I gennemsnit kan du dog med en vis selvtillid forudsige, hvor høj en person vil være i en alder af 15. (Og du kan næsten med sikkerhed forudsige, at en nyfødt kidlet bliver under 2 fod høj).
Det samme gælder med salgsprognoser. Antag, at din virksomhed sælger forbrugerprodukter. Det er et godt bud, at jo mere du annoncerer, jo mere vil du sælge. Det er i hvert fald værd at tjekke ud, om der er en sammenhæng mellem størrelsen af dit annoncebudget og størrelsen af din salgsindtægt. Hvis du opdager, at der er et pålideligt forhold - og hvis du ved, hvor meget din virksomhed er villig til at bruge på annoncering - er du i en god position til at forudsige dit salg.
Eller antag, at din virksomhed markedsfører et specialprodukt, såsom branddøre. (En branddør er en, der formodes at være modstandsdygtig over for brand i en periode, og der er mange af dem i kontorbygninger). -hyldefarven eller have en friskere end frisk aroma. Hvis du køber branddøre, vil du gerne have dem, der opfylder specifikationerne og er de billigste.
Så hvis du sælger branddøre, så længe dit produkt opfylder specifikationerne, vil du gerne have et kig på forholdet mellem prisen på branddøre og hvor mange der sælges. Så tjekker du med din marketingafdeling for at finde ud af, hvor meget de vil have dig til at opkræve pr. dør, og du kan lave din forecast derefter.
Pointen er, at du oftere end ikke kan finde et pålideligt forhold mellem en variabel (annoncekroner eller enhedspris) og en anden (normalt salgsindtægter eller solgte enheder).
Du bruger Excels værktøjer til at kvantificere det forhold. I tilfælde af regressionsprognoser giver du Excel et par basislinjer:
- Historiske annonceudgifter og historiske salgsindtægter
- Hvor meget du opkrævede pr branddør og hvor mange døre du f.eks. solgte
Hvis du giver Excel gode basislinjer, vil det komme tilbage til dig med en formel.
- Excel vil give dig et tal til at gange, hvor meget du forventer at bruge på annoncering, og resultatet vil være din forventede salgsindtægt.
- Eller for eksempel vil Excel give dig et tal til at gange enhedsprisen pr. dør, og resultatet vil være det antal døre, du kan forvente at sælge.
Det er bare lidt mere kompliceret end som så. Excel giver dig også et tal, kaldet en konstant, som du skal lægge til resultatet af multiplikationen. Men du kan få Excel til at gøre det for dig.