Πώς ξέρετε εάν μια τάση πρόβλεψης είναι πραγματική; Αν δείτε μια γραμμή βάσης που μοιάζει να κινείται προς τα πάνω ή προς τα κάτω, αντιπροσωπεύει μια πραγματική τάση ή είναι απλώς τυχαία παραλλαγή; Για να απαντήσετε σε αυτές τις ερωτήσεις, πρέπει να μπείτε στις πιθανότητες και στα στατιστικά στοιχεία. Ευτυχώς, δεν χρειάζεται να τα πας πολύ μακριά — ίσως μέχρι τον καρπό.
Η βασική σειρά σκέψης έχει ως εξής:
Χρησιμοποιήστε το Excel για να σας πει ποια είναι η συσχέτιση μεταξύ των εσόδων από τις πωλήσεις και των σχετικών χρονικών περιόδων τους.
Δεν έχει σημασία αν αντιπροσωπεύω αυτήν τη χρονική περίοδο ως Ιανουάριος 2011, Φεβρουάριος 2011, Μάρτιος 2011 . . . Δεκεμβρίου 2016 ή ως 1, 2, 3 . . . 72.
Εάν δεν υπάρχει σχέση, όπως μετράται με τη συσχέτιση, μεταξύ των εσόδων και της χρονικής περιόδου, δεν υπάρχει τάση και δεν χρειάζεται να ανησυχείτε για αυτό.
Αν υπάρχει είναι μια σχέση μεταξύ εσόδων και χρονικές περιόδους, θα πρέπει να επιλέξετε τον καλύτερο τρόπο για να χειριστεί την τάση.
Αφού το Excel υπολογίσει τη συσχέτιση, πρέπει να αποφασίσετε αν αντιπροσωπεύει μια πραγματική σχέση μεταξύ της χρονικής περιόδου και του ποσού των εσόδων ή αν είναι απλώς μια τυχερή βολή.
Εάν η πιθανότητα να είναι απλώς τύχη είναι μικρότερη από 5 τοις εκατό, είναι μια πραγματική τάση. (Τίποτα μαγικό για το 5 τοις εκατό, ούτε — είναι συμβατικό. Μερικοί άνθρωποι προτιμούν να χρησιμοποιούν το 1 τοις εκατό ως κριτήριο — είναι πιο συντηρητικό από το 5 τοις εκατό, και νιώθουν λίγο πιο ασφαλείς.) Αυτό εγείρει το ζήτημα της στατιστικής σημασίας: Ποιο επίπεδο πιθανότητας απαιτείτε πριν αποφασίσετε ότι κάτι (εδώ, ένας συσχετισμός) είναι ο πραγματικός McCoy;
Υπάρχουν διάφορες μέθοδοι για τον έλεγχο της στατιστικής σημασίας ενός συντελεστή συσχέτισης. Ακολουθούν τρεις δημοφιλείς μέθοδοι:
- Ελέγξτε τη συσχέτιση απευθείας και συγκρίνετε το αποτέλεσμα με την κανονική κατανομή.
- Δοκιμάστε τη συσχέτιση απευθείας και συγκρίνετε το αποτέλεσμα με την κατανομή t (η κατανομή t, αν και παρόμοια με την κανονική καμπύλη, υποθέτει ότι χρησιμοποιείτε ένα μικρό δείγμα αντί για έναν απείρως μεγάλο πληθυσμό).
- Μετατρέψτε τη συσχέτιση με τον μετασχηματισμό Fisher (που μετατρέπει έναν συντελεστή συσχέτισης σε τιμή που ταιριάζει στην κανονική καμπύλη) και συγκρίνετε το αποτέλεσμα με την κανονική κατανομή.
Υπάρχουν άλλες δημοφιλείς μέθοδοι για τον έλεγχο της στατιστικής σημασίας ενός συντελεστή συσχέτισης. Κάθε ένα επιστρέφει ένα ελαφρώς διαφορετικό αποτέλεσμα. Στην πράξη, θα παίρνετε σχεδόν πάντα την ίδια απόφαση (η συσχέτιση είναι ή δεν διαφέρει σημαντικά από το μηδέν), ανεξάρτητα από τη μέθοδο που θα επιλέξετε.
Εάν καταλήξετε στο συμπέρασμα ότι η τάση που μετράει η συσχέτιση είναι πραγματική (και όταν η πιθανότητα είναι μικρότερη από 1 τοις εκατό ότι η συσχέτιση είναι φάντασμα, μάλλον θα πρέπει να αποδεχτείτε αυτό το συμπέρασμα), έχετε δύο ακόμη ερωτήσεις να κάνετε στον εαυτό σας:
- Θα πρέπει να χρησιμοποιήσετε μια προσέγγιση πρόβλεψης που χειρίζεται καλά τις τάσεις; Θα νομίζατε ότι εάν εντοπίσατε μια τάση, θα πρέπει να χρησιμοποιήσετε μια προσέγγιση πρόβλεψης που χειρίζεται καλά τις τάσεις. Αυτό είναι συχνά αλήθεια, αλλά όχι απαραίτητα. Ας υποθέσουμε ότι αντί να χρησιμοποιήσετε τη χρονική περίοδο ως μία από τις μεταβλητές στην ανάλυση συσχέτισης, χρησιμοποιήσατε κάτι όπως τα έσοδα από τις πωλήσεις που πραγματοποιήθηκαν από τον ανταγωνισμό.
Εάν τα έσοδα του ανταγωνισμού πέφτουν όπως τα δικά σας (ή αν και τα δύο σύνολα εσόδων αυξάνονται), θα βρείτε μια πιθανή σημαντική συσχέτιση μεταξύ των εσόδων σας και των εσόδων του ανταγωνισμού. Αλλά είναι πολύ πιθανό - ακόμη και πιθανό - να μην υπάρχει πραγματική, αιτιώδης σχέση μεταξύ των εσόδων τους και των δικών σας. Μπορεί τόσο το δικό σας όσο και το δικό τους να συσχετίζονται με τον πραγματικό αιτιολογικό παράγοντα: Το μέγεθος της συνολικής αγοράς αλλάζει. Σε αυτήν την περίπτωση, θα ήταν πιθανώς πολύ καλύτερα να χρησιμοποιήσετε ένα μέτρο του συνολικού μεγέθους της αγοράς ως προγνωστική μεταβλητή σας. Σε αυτό το σενάριο, το μέγεθος της αγοράς έχει άμεση, αιτιώδη σχέση με τα έσοδά σας, ενώ τα έσοδα του ανταγωνισμού σας έχουν μόνο έμμεση σχέση με τα έσοδά σας.
- Πρέπει να αποφύγετε τα δεδομένα; Μια κρυφή μεταβλητή, όπως μια σταθερή αλλαγή στο συνολικό μέγεθος μιας αγοράς, μπορεί να σας κάνει να πιστεύετε ότι μια μεταβλητή πρόβλεψης και η μεταβλητή που θέλετε να προβλέψετε σχετίζονται άμεσα, ενώ στην πραγματικότητα δεν έχουν. Ή η πρόβλεψη και η πρόβλεψη μπορεί να αλλάξουν με παρόμοιους τρόπους, επειδή σχετίζονται και τα δύο με το χρόνο.
Ο τρόπος χειρισμού αυτού του είδους των καταστάσεων είναι να αφαιρέσετε και τις δύο μεταβλητές πρώτα μέσω ενός μετασχηματισμού.
Ή μπορεί να προτιμήσετε να κάνετε την πρόβλεψή σας χρησιμοποιώντας μια προσέγγιση που δεν χειρίζεται απαραίτητα καλά τις τάσεις, όπως κινούμενους μέσους όρους ή απλή εκθετική εξομάλυνση. Ένας λόγος για να το κάνετε αυτό είναι ότι μπορεί να διαπιστώσετε ότι η προσέγγιση παλινδρόμησης με το σύνολο δεδομένων σας δεν είναι τόσο ακριβής πρόβλεψη όσο οι κινούμενοι μέσοι όροι ή η εξομάλυνση. Και πάλι, δείτε εάν μπορείτε να μετατρέψετε τα δεδομένα για να καταργήσετε την τάση.