Sinun täytyy saada hallintaan myynnin ennustamisessa käytetty erikoisterminologia muutamasta erittäin käytännöllisestä syystä. Yksi niistä on se, että sinua saatetaan pyytää selittämään ennusteesi pomollesi tai esimerkiksi myyntipäälliköiden kokouksessa.
Toinen hyvä syy on se, että Excel käyttää monia näistä termeistä, kuten muutkin ohjelmat, ja tilanteen selvittäminen on paljon helpompaa, jos tiedät, mitä termit tarkoittavat.
Autoregressiiviset integroidut liukuvat keskiarvot (ARIMA)
Jos aiot tehdä ennusteita, joku älykäs aleck kysyy sinulta lopulta, käytitkö autoregressiivisiä integroituja liukuvia keskiarvoja (ARIMA), ja sinun pitäisi tietää kuinka vastata. ARIMA on osittain ennustemenetelmä ja myös tapa arvioida lähtötilannettasi, jotta saat kvantitatiivista näyttöä, joka tukee regressiomenetelmän, liukuvan keskiarvon lähestymistapaa tai molempien yhdistelmää. Ellet todella ryhdy tähän ennustamiseen, pärjäät yleensä hyvin ilman sitä, vaikka se onkin erinomainen, joskin monimutkainen diagnostiikkatyökalu.
Muuten, vastauksesi smart aleckiin pitäisi olla: "Ei. Olen työskennellyt tämän perusviivan kanssa nyt niin kauan, että tiedän saavani parhaat tulokset eksponentiaalisella tasoituksella. Mikä, kuten tiedätte, on yksi niistä muodoista, jotka ARIMA voi ottaa."
Perustaso
Perustaso on datasekvenssi on järjestetty kronologisessa order.Some esimerkkejä lähtökohdat ovat yhteensä kuukausittain tulot 2010 tammikuussa joulukuuhun 2015 myytyjen yksiköiden viikoittain 1. tammikuuta, 2015 läpi 31 Joulukuu, 2016 ja koko neljännesvuosittain tulot Q1 2007 - Q4 2016. Näin järjestettyä dataa kutsutaan joskus aikasarjaksi.
Korrelaatio
Korrelaatio kerroin ilmaisee sen, kuinka voimakkaasti kaksi muuttujaa liittyvät. Sen mahdolliset arvot vaihtelevat välillä -1,0 - +1,0, mutta käytännössä korrelaatioita ei koskaan löydy niin äärimmäisiltä. Mitä lähempänä korrelaatiokerroin on +/–1,0, sitä vahvempi on näiden kahden muuttujan välinen suhde. Korrelaatio 0,0 tarkoittaa, että yhteyttä ei ole. Joten saatat löytää +0,7 (melko vahva) korrelaation myyntiedustajien lukumäärän ja niiden tuottaman kokonaistulon välillä: Mitä suurempi toistojen määrä, sitä enemmän myydään. Ja saatat löytää korrelaation -0,1 (melko heikko) edustajan myymän määrän ja hänen puhelinnumeronsa välillä.
Erityinen korrelaatiotyyppi on autokorrelaatio, joka laskee yhden perusviivan havainnon ja aikaisemman havainnon välisen suhteen vahvuuden (usein, mutta ei aina, kahden peräkkäisen havainnon välinen suhde). Autokorrelaatio kertoo sinulle sen suhteen vahvuuden, mikä oli ennen ja sen jälkeen. Tämä puolestaan auttaa sinua päättämään, millaista ennustetekniikkaa käytät. Tässä on esimerkki autokorrelaation laskemisesta, mikä saattaa tehdä käsitteestä hieman selkeämmän:
=KORREL(A2:A50,A1:A49)
Tämä Excel-kaava käyttää CORREL-funktiota osoittamaan, kuinka vahva (tai kuinka heikko) suhde on A2:A50:n ja A1:A49:n arvojen välillä. Hyödyllisimmät autokorrelaatiot sisältävät perusviivat, jotka on lajiteltu kronologisessa järjestyksessä. (Tällainen autokorrelaatio ei ole aivan sama kuin ARIMA-malleissa lasketut autokorrelaatiot.)
Kierrä
Sykli on samanlainen kuin kausivaihtelu, mutta et pidä sitä samalla tavalla kuin sinä kausivaihtelu. Nousu voi kestää useita vuosia, ja laskusuhdanne voi tehdä saman. Lisäksi yksi täysi sykli voi kestää neljä vuotta ja seuraava vain kaksi vuotta. Hyvä esimerkki on suhdannesykli: taantuma jahtaa buumia, eikä koskaan tiedä, kuinka kauan kukin niistä kestää. Sitä vastoin vuosikaudet ovat saman pituisia tai melkein yhtä pitkiä.
Vaimennuskerroin
Vaimennuskerroin on murto-välillä 0,0 ja 1,0, jotka te käyttää eksponentiaalisen tasoituksen sen määrittämiseksi, kuinka paljon virheen ennen ennustetta käytetään laskemaan seuraava ennuste.
Itse asiassa vaimennustekijän käyttö on hieman epätavallista. Useimmat eksponentiaalista tasoitusta käsittelevät tekstit viittaavat tasoitusvakioon. Vaimennuskerroin on 1,0 miinus tasoitusvakio. Sillä ei todellakaan ole väliä mitä termiä käytät; muutat vain kaavaa vastaavasti.
Eksponentiaalinen tasoitus
Tyhmä termi, vaikka teknisesti tarkka. Eksponentiaalista tasoitusta käyttämällä vertaat aiempaa ennustettasi aikaisempaan todelliseen (tässä yhteydessä toteuma on myyntitulos, jonka kirjanpito kertoo sinulle – sen jälkeen kun olet luonut). Sitten käytät virhettä – eli aikaisemman ennusteen ja aikaisemman todellisen eroa – seuraavan ennusteen säätämiseen ja toivot, että teet siitä tarkemman kuin jos et olisi ottanut aikaisempaa virhettä huomioon.
Ennustejakso
Ennustejaksolla on aika, joka edustaa kunkin havainto perustason. Termiä käytetään, koska ennustesi edustaa yleensä yhtä pitkää aikaa kuin jokainen perushavainto. Jos perustasosi koostuu kuukausittaisista myyntituloista, ennuste on yleensä seuraavalle kuukaudelle. Jos lähtötaso koostuu neljännesvuosittaisesta myynnistä, ennuste on yleensä seuraavalle vuosineljännekselle. Regressiomenetelmällä voit tehdä ennusteita pidemmälle tulevaisuuteen kuin vain yhteen ennustejaksoon, mutta mitä kauemmaksi ennustesi etenee viimeisimmästä varsinaisesta havainnosta, sitä ohuempi jää on.
Liukuva keskiarvo
Olet luultavasti törmännyt liikkuvien keskiarvojen käsitteeseen jossain päin. Ajatuksena on, että keskiarvon määrittäminen saa perustason melun poistumaan, jolloin saat paremman käsityksen signaalista (mitä todella tapahtuu ajan mittaan, väistämättömien satunnaisten virheiden tahraamatta). Se on keskiarvo, koska se on joidenkin peräkkäisten havaintojen keskiarvo, kuten tammi-, helmi- ja maaliskuun myynnin keskiarvo. Se liikkuu, koska ajanjaksot, joiden keskiarvo on laskettu, siirtyvät eteenpäin ajassa – joten ensimmäinen liukuva keskiarvo voi sisältää tammikuun, helmikuun ja maaliskuun; toinen liukuva keskiarvo voisi sisältää helmikuun, maaliskuun ja huhtikuun; ja niin edelleen.
Ei ole vaatimusta, että jokainen liukuva keskiarvo sisältää kolme arvoa - se voi olla kaksi, neljä tai viisi tai mahdollisesti jopa enemmän.
Ennustava muuttuja
Tämä termi on yleensä käytössä, kun ennustat regressiota. Ennustaja muuttuja on muuttujan käytät arvioida tulevaa muuttujan arvo haluat ennustaa. Saatat esimerkiksi löytää luotettavan suhteen yksikkömyyntihinnan ja myyntimäärän välillä. Jos tiedät, kuinka paljon yrityksesi aikoo veloittaa yksikköä kohden seuraavan vuosineljänneksen aikana, voit käyttää tätä suhdetta seuraavan vuosineljänneksen myyntimäärien ennustamiseen. Tässä esimerkissä yksikkömyyntihinta on ennakoiva muuttuja.
Regressio
Jos käytät regressiomenetelmää myynnin ennustamiseen, se johtuu siitä, että olet löytänyt luotettavan suhteen myyntitulojen ja yhden tai useamman ennustemuuttujan välillä. Käytät tätä suhdetta sekä tietämystäsi ennustajamuuttujien tulevista arvoista ennusteen luomiseen.
Mistä tiedät ennustajamuuttujien tulevat arvot? Jos aiot käyttää yksikköhintaa ennustajana, yksi hyvä tapa on selvittää tuotehallinnasta, kuinka paljon se aikoo veloittaa yksikköä kohti kunkin seuraavan, esimerkiksi neljän vuosineljänneksen aikana. Toinen tapa sisältää päivämäärät: On täysin mahdollista ja jopa yleistä käyttää päivämääriä (kuten kuukausia vuosien sisällä) ennustavana muuttujana.
Kausiluonteisuus
Vuoden aikana perustasosi voi nousta ja laskea kausiluonteisesti. Ehkä myyt tuotetta, jonka myynti nousee lämpimällä säällä ja laskee kylmällä. Jos näet suunnilleen saman kuvion esiintyvän joka vuosi usean vuoden ajan, tiedät tarkastelevasi kausivaihtelua. Voit hyödyntää tätä tietoa parantaaksesi ennusteitasi. On hyödyllistä erottaa vuodenajat syklistä. Koskaan ei tiedä kuinka kauan tietty sykli kestää. Mutta jokainen neljästä vuodenajasta vuodessa on kolme kuukautta pitkä.
Trendi
Trendi on taipumus tason perustason nousta tai laskea ajan myötä. Kasvava tulotrendi on tietysti hyvä uutinen myyntiedustajille ja myynnin johdolle, puhumattakaan muusta yrityksestä. Laskeva myynnin lähtötaso, vaikkakin harvoin hyvä uutinen, voi kertoa markkinoinnille ja tuotehallinnolle, että heidän on tehtävä ja toimittava joidenkin päätöksien, ehkä tuskallisten päätösten perusteella. Trendin suunnasta riippumatta trendin olemassaolo voi aiheuttaa ongelmia ennusteillesi joissain yhteyksissä – mutta on olemassa tapoja käsitellä näitä ongelmia.