Kui teete kvantitatiivset prognoosi (prognoos, mis kasutab pigem numbrilist baasjoont kui ekspertarvamusi), otsite alati seoseid. Oletame, et kaalute prognoosimiseks regressiooni kasutamist. Võite kasutada mitut võimalikku ennustavat muutujat, millest üks (või mis tahes kombinatsioon) võib anda teile parima prognoosi.
Müügiareenil tähendab see seoste otsimist müügi ja mõne muu muutuja, näiteks müügipersonali suuruse, ajaperioodi või ühikuhinna vahel. (Ka ekspertide arvamused, kui need pärinevad tõelisest eksperdist, on väärtuslikud – isegi kui kasutate neid ainult kvantitatiivse prognoosi konteksti loomiseks.)
Tihti pakub huvi ka seos ühe perioodi müügitulu ja eelneva perioodi vahel. Seda nimetatakse autokorrelatsiooniks ja see on kontseptuaalselt lähedane autoregressioonile. Autokorrelatsiooni arvutamine võib aidata teil teha palju otsuseid, sealhulgas järgmist.
- Millist prognoosimismeetodit kasutada
- Kas teid eksitaks liikuva keskmise prognoosiga
- Kuidas struktureerida eksponentsiaalselt siluvat prognoosi
- Kas jätta välja lähtejoon
Eriti kui teil on suur hulk võimalikke ennustavaid muutujaid, võib seoste ükshaaval arvutamine olla tõeline piin. Selleks peaksite kasutama andmeanalüüsi lisandmoodulit.
Üks andmeanalüüsi lisandmooduli tööriistadest on korrelatsioonitööriist. Kui seadistate oma baasjoone Exceli tabelina, võtab korrelatsioonitööriist mitme korrelatsiooni arvutamisel suurema osa vaevast.
Järgmine joonis näitab:
- Müügitulud (muutuja, mida soovite prognoosida)
- Ajavahemik
- Ühiku hind
- Müügipersonali suurus
- Reklaami dollarid
- Müügijuhtide tulude prognoosid kokku
See on liiga palju andmeid, et töölehe funktsioonidega mugavalt arvutada.
Teie eesmärk on otsustada, millist (kui üldse) viiest viimasest muutujast pidada müügitulu regressiooniprognoosis ennustavateks muutujateks. Selle töö alustamiseks arvutage kõik korrelatsioonikoefitsiendid.