Prognoseteknik: Udforskning af prognoselogik i LuckyTemplates-modeller

Hvis du vil have et eksempelscenarie i den virkelige verden med prognoser ved hjælp af LuckyTemplates, er du på den rigtige side. Du finder i denne tutorial en prognoseteknik, som du helt sikkert kan implementere i dit eget arbejdsmiljø. Du kan se den fulde video af denne tutorial nederst på denne blog.

I eksemplet sammenligner jeg mine faktiske resultater med mine prognoser og ser på dem kumulativt. De kumulative totaler giver mig et meget bedre overblik og sikrer mig, at jeg ved, hvornår en trend dukker op. Hvis du bruger den prognoseteknik, jeg diskuterer i denne vejledning, vil du være i stand til at opnå det samme.

Først skal du dog oprette den faktiske prognose. Du har muligvis dette i en separat datakilde eller et separat regneark, eller du skal muligvis oprette det, fordi du ikke har et endnu. Der er masser af måder, du kan skabe det på – nogle gange er det enkelt, og nogle gange, efter min mening, er det mere komplekst, end det behøver at være.

Når du først har det sat op, kan udvikling af en simpel logik og brug af formler med DAX virkelig give dig indsigt i dine data.

Det er fint at gennemgå faktiske resultater i sig selv, men i mange tilfælde har du brug for et benchmark for virkelig at vise den relative ydeevne.

Medmindre du har en grundig forståelse af tal, er brugen af ​​et benchmark eller en prognose (som i dette tilfælde) den bedste måde at vise dette for dine forbrugere.

Desuden kan du ved at bruge de andre filtre i din datamodel opsætte dine rapporter til at dykke ned i specifikke områder af dine datasæt effektivt og se, hvordan resultaterne har præsteret i forhold til det unikke benchmark. Nogle gange er der et par nuancer at forstå, men dette er en anden tutorial.

Indholdsfortegnelse

• Oprettelse af en prognose
• Udarbejdelse af den kumulative prognose
• Forecast versus salg
• Konklusion

Oprettelse af en prognose

Vi har en simpel datamodel her med Total Sales, som kun er historisk information, så vi skal lave en prognose. Der er mange måder at gøre dette på, men jeg vil vise dig, hvordan du laver en enkel.

I denne demonstration vil jeg fremskrive, hvad vi har opnået i 2015 til 2016. Jeg bruger med Total Sales , og går så hen og sætter Datoer ind .

Dette vil give os salget sidste år. Vi kan se, at i vores tabel her, at de første data, der blev indtastet, var den 1. juni 2014.

Nu afspejles det i vores 2015 (salget i alt sidste år).

Vi skal dog gå et skridt videre. Vi ønsker at forudsige 2016, så vi starter vores data fra januar 2016 og derefter for hele året. For at gøre det ændrer vi konteksten for beregningen (ved hjælp af CALCULATE ), men vi filtrerer oplysninger fra, der ikke er i 2016 (med en erklæring). Så vi filtrerer tabellen Datoer , hvor året er lig med 2016.

Dette vil bogstaveligt talt fjerne eller slette enhver dato, der ikke er 2016 for denne prognose. Lad os trække det ind i vores tabel, og vi vil se, at vores data starter fra januar 2016.

Vi har nu 2016 prognose.

Når vi viser det på et diagram, kan vi se vores samlede salg pr. dag og vores salgsprognose, som kun er en fremskrivning af året før.

Udarbejdelse af den kumulative prognose

Nu skal vi omdanne disse til kumulative totaler, og vi vil se på disse kumulativt, hvilket gør os i stand til at få bedre indsigt. Den første ting, vi skal gøre, er at beregne kumulativt salg .

Vi kan derefter genbruge dette til at udarbejde vores kumulative 2016-prognose . Alt, hvad vi skal gøre, er at underordne det samlede salg med 2016-prognosen .

Nu har vi den kumulative sum af 2016-prognosen , som blot er de forventede 2015-resultater. Vi har forvandlet dem til en kumulativ total, som vi kan sammenligne med vores kumulative salg i år .

Vi kan gøre dette til en visualisering og være i stand til at analysere denne information om, hvordan vi går kumulativt. Der er lidt af et problem her, hvor den kumulative total fremskrives hele vejen, selvom der ikke er nogen information, og vi sandsynligvis ikke ønsker det.

Vi kan ordne det meget nemt ved at tilføje i vores formel. Så hvis der bogstaveligt talt ikke er noget salg den dag, vender dette tilbage. Dette vil slippe af med al information, der er fremsendt fra en bestemt dato.

Vi trykker på Enter, og vi vil se i vores diagram, at linjen forsvinder, da vi overlejrer vores nuværende salg i forhold til vores salgsprognose.

Forecast versus salg

Herfra kan vi beregne vores salg versus vores prognose ved at måle forgrening .

Og vi kunne gøre dette til en visualisering alene, men det giver ikke rigtig nogen indsigt for os i øjeblikket, fordi vi ikke har nogen data fra september til december, og det tager det bare som nul.

Vi kan rette dette igen ved at indsætte den ISBLANK- logik.

Og dermed kan vi nu se, hvordan vi går gennem tiden kontra vores kumulative prognose.

Desuden, da dette hænger sammen i datamodellen, kan vi f.eks. bringe vores produkter ind. Vi forvandler den til en udskærer og ser, hvordan vi har det med hvert af vores produkter.

Vi kan dynamisk vælge alle vores produkter og se, hvordan de sporer.

Konklusion

Dette er en unik prognoseteknik, som jeg har demonstreret i denne tutorial. Først lavede vi en prognose, vi holdt det ret simpelt, og derefter brugte vi en kumulativ total til at visualisere den bedre. Derefter sammenlignede vi det og var i stand til at følge tiden og se, hvordan alt salget gik.

Det handler om forretningsapplikationerne med dette. Jeg dækker faktisk mange lignende applikationer omkring forecasting i min Dette er værd at tjekke ud, hvis du vil lære mere om prognoseteknikken, budgettering, segment- og grupperingsteknikker og scenarieanalyse for at nævne nogle få.

Jeg håber, du vil være i stand til at finde en måde at inkorporere denne prognoseteknik i dit eget arbejde.

Alt det bedste!

***** Lærer du Lucky Templates? *****