Kuidas testida müügiprognooside suundumusi

Kuidas teada saada, kas prognoositav trend on tõeline? Kui näete lähtejoont, mis näib triivivat üles või alla, kas see kujutab endast tõelist trendi või on see lihtsalt juhuslik variatsioon? Nendele küsimustele vastamiseks peate tutvuma tõenäosuse ja statistikaga. Õnneks ei pea te nendesse liiga kaugele sattuma - võib-olla randmeni.

Põhimõttekäik on järgmine:

Exceli abil saate teada, milline on korrelatsioon müügitulu ja nendega seotud ajaperioodide vahel.
Pole vahet, kas ma kujutan seda ajavahemikku jaanuaris 2011, veebruar 2011, märts 2011 . . . detsember 2016 või 1., 2., 3. . . 72.

Kui tulude ja ajaperioodi vahel ei ole seost, mida mõõdetakse korrelatsiooniga, pole trendi ja te ei pea selle pärast muretsema.

Kui tulude ja ajaperioodide vahel on seos, peate valima trendi käsitlemiseks parima viisi.

Pärast seda, kui Excel on korrelatsiooni arvutanud, peate otsustama, kas see kujutab tegelikku seost ajaperioodi ja tulusumma vahel või on see lihtsalt õnn.
Kui tõenäosus, et see on lihtsalt õnn, on alla 5 protsendi, on see tõeline trend. (Ka 5 protsendi puhul pole midagi maagilist – see on tavapärane. Mõned inimesed eelistavad kasutada kriteeriumina 1 protsenti – see on konservatiivsem kui 5 protsenti ja nad tunnevad end veidi turvalisemalt.) See tõstatab statistilise olulisuse küsimuse: milline on tõenäosuse tase. kas vajate enne, kui otsustate, et miski (siin korrelatsioon) on tõeline McCoy?

Korrelatsioonikordaja statistilise olulisuse testimiseks on erinevaid meetodeid. Siin on kolm populaarset meetodit:

• Testige korrelatsiooni otse ja võrrelge tulemust normaaljaotusega.
• Testige korrelatsiooni otse ja võrrelge tulemust t-jaotusega (kuigi t-jaotus sarnaneb tavakõveraga, eeldab, et kasutate pigem väiksemat valimit kui lõpmata suurt populatsiooni).
• Teisendage korrelatsioon Fisheri teisendusega (mis teisendab korrelatsioonikordaja normaalkõverale sobivaks väärtuseks) ja võrrelge tulemust normaaljaotusega.

On ka teisi populaarseid meetodeid korrelatsioonikordaja statistilise olulisuse testimiseks. Igaüks neist annab veidi erineva tulemuse. Praktikas teete peaaegu alati sama otsuse (korrelatsioon on või ei erine oluliselt nullist), olenemata valitud meetodist.

Kui järeldate, et korrelatsiooninäitajate trend on tõeline (ja kui tõenäosus, et korrelatsioon on kummitus, on alla 1 protsendi, peaksite selle järeldusega nõustuma), on teil endalt küsida veel kaks küsimust:

• Kas peaksite kasutama prognoosimismeetodit, mis käsitleb suundumusi hästi? Arvate, et kui avastate trendi, peaksite kasutama prognoosimismeetodit, mis käsitleb trende hästi. See on sageli tõsi, kuid mitte tingimata. Oletame, et selle asemel, et kasutada oma korrelatsioonianalüüsis ühe muutujana ajaperioodi, kasutasite midagi näiteks konkurentsist saadud müügitulu .

Kui konkurendi tulud langevad nagu teie oma (või kui mõlemad tulud kasvavad), leiate tõenäoliselt olulise korrelatsiooni oma tulude ja konkurentide tulude vahel. Kuid on täiesti võimalik – isegi tõenäoline –, et nende tulude ja teie tulude vahel puudub tõeline põhjuslik seos. Võib juhtuda, et nii teie kui ka nende oma on korrelatsioonis tegeliku põhjusliku teguriga: üldise turu suurus muutub. Sel juhul oleks teil tõenäoliselt palju parem kasutada ennustava muutujana turu üldise suuruse mõõdikut. Selle stsenaariumi korral on turu suurusel otsene põhjuslik seos teie tuluga, samas kui teie konkurentide tulul on teie tuluga vaid kaudne seos.

• Kas peaksite andmeid tühistama? Peidetud muutuja, näiteks turu üldise suuruse järjekindel muutus, võib panna teid uskuma, et ennustav muutuja ja muutuja, mida soovite prognoosida, on otseselt seotud, kuigi tegelikult nad seda ei ole. Või võivad ennustaja ja prognoos muutuda sarnaselt, kuna mõlemad on ajaga seotud .

Sellise olukorra lahendamise viis on teisenduse abil esmalt detrendeerida mõlemad muutujad.

Või eelistate oma prognoosi koostamiseks kasutada lähenemisviisi, mis ei pruugi trendidega hästi toime tulla, näiteks libisevad keskmised või lihtne eksponentsiaalne silumine. Üks põhjus, miks seda teha, on see, et võite avastada, et teie andmestiku regressioonimeetod ei ole nii täpne prognoosija kui liikuvad keskmised või silumine. Jällegi vaadake, kas saate trendi eemaldamiseks andmeid teisendada.