Kuinka testata myynnin ennustamisen suuntauksia

Mistä tiedät, onko ennustetrendi todellinen? Jos näet perusviivan, joka näyttää ajautuvan ylös tai alas, edustaako se todellista trendiä vai onko se vain satunnaista vaihtelua? Vastataksesi näihin kysymyksiin sinun on perehdyttävä todennäköisyyksiin ja tilastoihin. Onneksi sinun ei tarvitse mennä niihin liian pitkälle - ehkä ranteeseen asti.

Perusajatuksenkulku menee näin:

Käytä Exceliä kertoaksesi, mikä korrelaatio on myyntitulojen ja niihin liittyvien ajanjaksojen välillä.
Sillä ei ole väliä, edustanko ajanjaksoa tammikuussa 2011, helmikuussa 2011, maaliskuussa 2011 . . . joulukuuta 2016 tai 1., 2., 3. . . 72.

Jos tulojen ja ajanjakson välillä ei ole korrelaatiolla mitattua suhdetta, trendiä ei ole, eikä sinun tarvitse huolehtia siitä.

Jos on on suhde tulojen ja tiettyinä aikoina, sinun täytyy valita paras tapa käsitellä suuntaus.

Kun Excel on laskenut korrelaation, sinun on päätettävä, edustaako se todellista suhdetta ajanjakson ja tulon määrän välillä vai onko se vain onnenpotku.
Jos todennäköisyys, että se on vain onnea, on alle 5 prosenttia, se on todellinen trendi. (Ei myöskään 5 prosentissa mitään ihmeellistä – se on tavanomaista. Jotkut ihmiset käyttävät mieluummin yhtä prosenttia kriteerinä – se on konservatiivisempi kuin 5 prosenttia, ja he tuntevat olonsa hieman turvallisemmaksi.) Tämä nostaa esiin kysymyksen tilastollisesta merkitsevyydestä: mikä todennäköisyystaso tarvitsetko ennen kuin päätät, että jokin (tässä korrelaatio) on todellinen McCoy?

Korrelaatiokertoimen tilastollisen merkitsevyyden testaamiseen on olemassa erilaisia ​​menetelmiä. Tässä on kolme suosittua menetelmää:

• Testaa korrelaatio suoraan ja vertaa tulosta normaalijakaumaan.
• Testaa korrelaatio suoraan ja vertaa tulosta t-jakaumaan (t-jakauma, vaikka se onkin samanlainen kuin normaali käyrä, olettaa, että käytät pienempää otosta äärettömän suuren populaation sijaan).
• Muunna korrelaatio Fisher-muunnolla (joka muuntaa korrelaatiokertoimen arvoksi, joka sopii normaalikäyrään) ja vertaa tulosta normaalijakaumaan.

Muita suosittuja menetelmiä korrelaatiokertoimen tilastollisen merkitsevyyden testaamiseen on olemassa. Jokainen antaa hieman erilaisen tuloksen. Käytännössä teet melkein aina saman päätöksen (korrelaatio on tai ei eroa merkittävästi nollasta) riippumatta valitsemastasi menetelmästä.

Jos päätät, että korrelaatiomittausten trendi on todellinen (ja kun todennäköisyys, että korrelaatio on haamu, on alle 1 prosentti, sinun pitäisi luultavasti hyväksyä tämä johtopäätös), sinulla on vielä kaksi kysymystä kysyttäväsi itseltäsi:

• Pitäisikö sinun käyttää ennustemenetelmää, joka käsittelee trendejä hyvin? Luulisi, että jos havaitset trendin, sinun tulisi käyttää ennustemenetelmää, joka käsittelee trendejä hyvin. Se on usein totta, mutta ei välttämättä. Oletetaan, että sen sijaan, että olisit käyttänyt ajanjaksoa yhtenä muuttujana korrelaatioanalyysissäsi, käytit esimerkiksi kilpailun tuottamia myyntituloja .

Jos kilpailijan tulot putoavat samalla tavalla kuin sinun (tai jos molemmat tulot kasvavat), löydät todennäköisesti merkittävän korrelaation tulojesi ja kilpailijoiden välillä. Mutta on täysin mahdollista – jopa todennäköistä – että heidän tulojensa ja sinun tulojesi välillä ei ole todellista syy-yhteyttä. Saattaa olla, että sekä sinun että heidän omasi korreloivat todellisen syy-tekijän kanssa: kokonaismarkkinoiden koko muuttuu. Siinä tapauksessa sinun olisi todennäköisesti paljon parempi käyttää markkinoiden kokonaiskoon mittaa ennustemuuttujana. Tässä skenaariossa markkinoiden koolla on suora syy-yhteys tuloihisi, kun taas kilpailijoiden tuloilla on vain epäsuora suhde tuloihisi.

• Pitäisikö sinun luopua datasta? Piilotettu muuttuja, kuten johdonmukainen muutos markkinoiden kokonaiskoossa, voi saada sinut uskomaan, että ennustajamuuttuja ja muuttuja, jonka haluat ennustaa, liittyvät suoraan toisiinsa, vaikka ne eivät itse asiassa liity toisiinsa. Tai ennustaja ja ennuste voivat muuttua samalla tavalla, koska ne molemmat liittyvät aikaan.

Tapa käsitellä tällainen tilanne on detrendoida molemmat muuttujat ensin muunnoksen avulla.

Tai voit mieluummin tehdä ennusteen käyttämällä lähestymistapaa, joka ei välttämättä käsittele trendejä hyvin, kuten liukuvat keskiarvot tai yksinkertainen eksponentiaalinen tasoitus. Yksi syy tähän on se, että saatat huomata, että tietojoukkosi regressiomenetelmä ei ole yhtä tarkka ennustaja kuin liukuvat keskiarvot tai tasoitus. Katso jälleen, voitko muuttaa tietoja trendin poistamiseksi.