Τα ποιοτικά δεδομένα είναι πληροφορίες που σας βοηθούν να κατανοήσετε το υπόβαθρο των ποσοτικών δεδομένων. Φυσικά, αυτό γεννά το ερώτημα: Τι είναι τα ποσοτικά δεδομένα; Τα ποσοτικά δεδομένα είναι αριθμητικά δεδομένα — ο αριθμός των μονάδων που πούλησε η ομάδα σας κατά το προηγούμενο τρίμηνο ή τα έσοδα που απέφερε η ομάδα σας τον Μάρτιο.
Με ποσοτικά δεδομένα, μπορείτε να χρησιμοποιήσετε το Excel για να υπολογίσετε τον αριθμό των μονάδων που πωλούνται ανά μήνα, ή τις λιγότερες ή τις περισσότερες. Μπορείτε να χρησιμοποιήσετε το Excel για να υπολογίσετε τον κινητό μέσο όρο των εσόδων που έχει κερδίσει η ομάδα πωλήσεών σας ή τα ελάχιστα έσοδά της ή το ποσοστό των ετήσιων εσόδων που αποκτήθηκαν τον Οκτώβριο.
Αντίθετα, τα ποιοτικά δεδομένα δεν έχουν μέσο όρο, ελάχιστο ή μέγιστο. Είναι πληροφορίες που σας βοηθούν να κατανοήσετε τα ποσοτικά δεδομένα. Βάζει τους αριθμούς σε ένα πλαίσιο. Βοηθά να σας προστατεύσει από το να κάνετε πραγματικά χαζά λάθη.
Κάνοντας τις σωστές ερωτήσεις
Ας υποθέσουμε ότι ο Αντιπρόεδρος Πωλήσεων σας ζητά να προβλέψετε πόσα αυτοκίνητα θα πουλήσει η εταιρεία σας τον επόμενο χρόνο. Εάν το πρακτορείο σας πουλάει κυρίως Ford, είναι λογικό να κάνετε μια πρόβλεψη. Εάν, μέχρι πέρυσι, το πρακτορείο σας πουλούσε κυρίως Duesenberg, η πρόβλεψη είναι παράλογη. Δεν μπορείς να πουλήσεις κανένα Duesenberg γιατί κανείς δεν τα φτιάχνει πια.
Αυτό το παράδειγμα είναι ομολογουμένως ακραίο, αλλά δεν είναι εντελώς ανόητο. Πρέπει να γνωρίζετε τι πρόκειται να φέρει η εταιρεία σας στην αγορά κατά τη χρονική περίοδο που θέλετε να προβλέψετε. Διαφορετικά, το ιστορικό πωλήσεών σας - η βασική σας γραμμή - απλώς δεν είναι σχετικό. Και δεν μπορείτε να κάνετε μια ακριβή πρόβλεψη που βασίζεται σε μια άσχετη γραμμή βάσης.
Ακολουθούν ορισμένες ερωτήσεις που πρέπει να κάνετε προτού αρχίσετε να σκέφτεστε να συνθέσετε μια γραμμή βάσης:
- Πόσους πωλητές θα διαθέσει η εταιρεία σας; Θα έχετε περισσότερα πόδια στο δρόμο από ό,τι πέρυσι; Λιγότεροι; Περίπου το ίδιο; Το μέγεθος της δύναμης πωλήσεων κάνει τη διαφορά. Για να κάνετε μια αξιοπρεπή πρόβλεψη, πρέπει να γνωρίζετε ποιους πόρους πωλήσεων θα έχετε διαθέσιμους.
- Θα αλλάξουν τα επίπεδα προμήθειας κατά την περίοδο πρόβλεψης; Η εταιρεία σας δίνει κίνητρα στο δυναμικό των πωλήσεών της όπως έκανε κατά τη διάρκεια, ας πούμε, τους τελευταίους 12 μήνες; Εάν ναι, δεν χρειάζεται να ανησυχείτε για αυτό κατά την πραγματοποίηση προβλέψεων. Αλλά εάν το επιχειρηματικό μοντέλο έχει αλλάξει και τα ποσοστά προμήθειας πρόκειται να μειωθούν επειδή ο ανταγωνισμός έχει πέσει - ή τα ποσοστά αυξάνονται επειδή ο ανταγωνισμός έχει σκληρύνει - η πρόβλεψή σας πρέπει να το λάβει υπόψη.
- Θα αλλάξει η τιμολόγηση του προϊόντος κατά τη διάρκεια αυτής της περιόδου πρόβλεψης; Θα αυξηθούν οι τιμές της σειράς προϊόντων σας; Αν ναι, πιθανότατα θα πρέπει να δημιουργήσετε κάποια απαισιοδοξία στην πρόβλεψή σας για τις πωλήσεις μονάδων. Θα πέσουν; Τότε μπορείς να είσαι αισιόδοξος. (Λάβετε υπόψη ότι η τιμολόγηση επηρεάζει συνήθως τις μονάδες που πωλούνται περισσότερο παρά τα έσοδα.)
Δεν μπορείτε να χρησιμοποιήσετε την πρόβλεψη για να απαντήσετε σε ερωτήσεις όπως αυτές. Και όμως οι απαντήσεις τους — οι οποίες χαρακτηρίζονται ως ποιοτικά δεδομένα — είναι κρίσιμες για την πραγματοποίηση καλών προβλέψεων. Μπορείτε να έχετε μια μακροσκελή γραμμή βάσης με καλή συμπεριφορά, η οποία είναι πραγματικά κλειδί για μια καλή πρόβλεψη. Και τότε μπορεί να ξεγελαστείτε τελείως εάν η εταιρεία σας αλλάξει σειρά προϊόντων ή μειώσει το δυναμικό πωλήσεών της ή αλλάξει τη δομή των προμηθειών της τόσο πολύ που η δύναμη πωλήσεων περπατήσει ή χαμηλώσει τις τιμές της τόσο μακριά που η αγορά δεν μπορεί να κρατήσει τα συλλογικά της χέρια εκτός σειράς προϊόντων. Οποιοδήποτε από αυτά θα κάνει την πρόβλεψή σας να μοιάζει σαν να σηκώσατε τους ώμους σας και να ρίξετε μερικά ζάρια.
Δεν μπορείτε να βασίζεστε πλήρως σε μια βασική γραμμή για να κάνετε μια πρόβλεψη πωλήσεων. Πρέπει να δώσετε προσοχή στο τι κάνει η εταιρεία σας στο μάρκετινγκ, στην τιμολόγηση, στη διαχείριση ανθρώπων, στην ανταπόκρισή της στον ανταγωνισμό, προκειμένου να κάνετε μια καλή πρόβλεψη πωλήσεων.
Κρατώντας το βλέμμα σας στην μπάλα: Ο σκοπός της πρόβλεψής σας
Ρυθμίστε τη γραμμή βάσης ώστε να αντικατοπτρίζει την περίοδο στην οποία θέλετε να κάνετε πρόβλεψη. Δηλαδή, εάν θέλετε να προβλέψετε τις πωλήσεις ενός μήνα, η γραμμή βάσης θα πρέπει να δείχνει το ιστορικό πωλήσεών σας σε μήνες. Εάν ο σκοπός της πρόβλεψης είναι να βοηθήσει στην καθοδήγηση οικονομικών προβλέψεων, όπως εκτιμήσεις κερδών, πιθανότατα θέλετε να προβλέψετε τα αποτελέσματα ενός τριμήνου και η γραμμή βάσης σας θα πρέπει να οργανωθεί σε τρίμηνα.
Το σχήμα δείχνει ένα παράδειγμα χρήσιμης γραμμής βάσης.
Η πρόβλεψη αφορά τον επόμενο μήνα, επομένως η γραμμή βάσης παρέχει μηνιαίο ιστορικό πωλήσεων.
Θα μπορούσατε εύκολα να δημιουργήσετε τη λίστα με τα ονόματα των μηνών στη στήλη Β. Θα επιλέγατε το κελί B2 και θα πληκτρολογήσετε Ιανουάριος ή Ιαν. Πατήστε Enter και εάν χρειάζεται επιλέξτε ξανά το κελί B2 (ή πατήστε Ctrl+Enter για να αφήσετε επιλεγμένο το κελί B2 όταν εισάγετε την τιμή του ). Παρατηρήστε το μικρό μαύρο τετράγωνο στην κάτω δεξιά γωνία του κελιού — ονομάζεται λαβή πλήρωσης. Μετακινήστε το δείκτη του ποντικιού πάνω από τη λαβή πλήρωσης. Θα δείτε τον δείκτη να αλλάζει σε σταυρόνημα. Τώρα, αν και εξακολουθείτε να βλέπετε το σταυρόνημα, πατήστε το κουμπί του ποντικιού, συνεχίστε να το κρατάτε πατημένο και σύρετε προς τα κάτω όσο θέλετε. Το Excel συμπληρώνει τα ονόματα των μηνών για εσάς. Αυτό λειτουργεί επίσης για τις ημέρες της εβδομάδας.
Υπάρχουν ορισμένοι εμπειρικοί κανόνες σχετικά με τη δημιουργία μιας γραμμής βάσης που θα σας φανεί χρήσιμο να έχετε υπόψη σας.
- Χρησιμοποιήστε χρονικές περιόδους της ίδιας διάρκειας στη γραμμή βάσης σας. Η χρήση μιας περιόδου που καλύπτει την 1η Φεβρουαρίου έως τις 14 Φεβρουαρίου και η επόμενη περίοδος που καλύπτει τις 15 Φεβρουαρίου έως τις 31 Μαρτίου είναι περίεργη. Το έχω δει να γίνεται, όμως, μόνο και μόνο επειδή αποδείχθηκε ότι ήταν βολικό να συνδυάζονται τα δεδομένα με αυτόν τον τρόπο. Αλλά αυτό απορρίπτει τα πράγματα, επειδή τα φαινομενικά έσοδα του Φεβρουαρίου είναι υποτιμημένα και τα φαινομενικά έσοδα Μαρτίου υπερεκτιμημένα. Ανεξάρτητα από την προσέγγιση πρόβλεψης που χρησιμοποιείτε, αυτό θα είναι πρόβλημα. (Μπορείτε να αγνοήσετε με ασφάλεια μικρές διαφορές, όπως 28 ημέρες τον Φεβρουάριο και 31 ημέρες τον Μάρτιο.)
- Βεβαιωθείτε ότι οι χρονικές περίοδοι στη γραμμή βάσης σας είναι με τη σειρά, από το νωρίτερο έως το πιο πρόσφατο. Αρκετές δημοφιλείς τεχνικές πρόβλεψης, συμπεριλαμβανομένων δύο που περιγράφονται σε αυτό το βιβλίο, βασίζονται στη σχέση μεταξύ της μέτρησης μιας περιόδου και της μέτρησης της επόμενης περιόδου. Εάν οι χρονικές σας περίοδοι είναι εκτός χρονικής σειράς, η πρόβλεψή σας θα είναι εκτός λειτουργίας. Συχνά, οι πρωτογενείς μετρήσεις σας δεν θα είναι με χρονολογική σειρά και για διάφορους λόγους θα θέλετε να τις συνοψίσετε με έναν συγκεντρωτικό πίνακα — τον οποίο μπορείτε εύκολα να βάλετε σε σειρά ημερομηνίας. Στην πραγματικότητα, ο συγκεντρωτικός πίνακας τοποθετεί τα συνοπτικά δεδομένα σε χρονολογική σειρά από προεπιλογή.
- Λογαριασμός για όλες τις χρονικές περιόδους στη γραμμή βάσης. Εάν η γραμμή βάσης ξεκινά τον Ιανουάριο του 2015, δεν μπορείτε να αφήσετε έξω τον Φεβρουάριο του 2015, ακόμα κι αν λείπουν τα δεδομένα. Εάν υπάρχουν οι υπόλοιποι μήνες, παραλείψτε τον Ιανουάριο του 2015 και ξεκινήστε με τον Μάρτιο του 2015. Γιατί; Επειδή θέλετε να βεβαιωθείτε ότι κάνετε τη σχέση σωστά μεταξύ της μιας περιόδου και της επόμενης.