Az értékesítési előrejelzések trendjeinek tesztelése

Honnan tudhatja, hogy egy előrejelzési trend valós-e? Ha olyan alapvonalat lát, amely úgy néz ki, mintha felfelé vagy lefelé sodródna, az valódi trendet jelent, vagy csak véletlenszerű változás? E kérdések megválaszolásához el kell jutnia a valószínűségszámításhoz és a statisztikákhoz. Szerencsére nem kell túl messzire belemenni – talán csuklóig.

Az alap gondolatmenet így hangzik:

Az Excel segítségével megtudhatja, mi az összefüggés az értékesítési bevételek és a kapcsolódó időszakok között.
Nem számít, ha ezt az időszakot 2011 januárjában, 2011 februárjában, 2011 márciusában ábrázolom. . . 2016. december, vagy 1., 2., 3. . . 72.

Ha a bevételek és az időszak között nincs összefüggés a korrelációval mérve, akkor nincs trend, és emiatt nem kell aggódnia.

Ha van kapcsolat a bevételek és időszakokban, akkor ki kell választani a legjobb módja, hogy a trend.

Miután az Excel kiszámította a korrelációt, el kell döntenie, hogy ez valós összefüggést jelent-e az időszak és a bevétel összege között, vagy csak egy szerencsés eset.
Ha annak a valószínűsége, hogy csak a szerencse 5 százaléknál kisebb, az igazi trend. (Az 5 százalékban sincs semmi varázslat – ez hagyományos. Vannak, akik szívesebben választanak 1 százalékot kritériumként – ez konzervatívabb, mint 5 százalék, és egy kicsit nagyobb biztonságban érzik magukat.) Ez felveti a statisztikai szignifikancia kérdését: milyen valószínűségi szint szükséges-e, mielőtt eldönti, hogy valami (itt egy összefüggés) az igazi McCoy?

Különféle módszerek léteznek a korrelációs együttható statisztikai szignifikanciájának tesztelésére. Íme három népszerű módszer:

• Tesztelje közvetlenül a korrelációt, és hasonlítsa össze az eredményt a normál eloszlással.
• Tesztelje közvetlenül a korrelációt, és hasonlítsa össze az eredményt a t-eloszlással (a t-eloszlás, bár hasonló a normál görbéhez, azt feltételezi, hogy kisebb mintát használ, nem pedig végtelenül nagy sokaságot).
• Konvertálja a korrelációt a Fisher-transzformációval (amely a korrelációs együtthatót a normálgörbébe illeszkedő értékké alakítja), és hasonlítsa össze az eredményt a normál eloszlással.

Más népszerű módszerek is léteznek a korrelációs együttható statisztikai szignifikanciájának tesztelésére. Mindegyik kissé eltérő eredményt ad. A gyakorlatban szinte mindig ugyanazt a döntést hozod (a korreláció nullától szignifikánsan különbözik vagy nem), függetlenül a választott módszertől.

Ha arra a következtetésre jut, hogy a korrelációs mérések trendje valós (és ha 1 százaléknál kisebb a valószínűsége annak, hogy a korreláció szellem, akkor valószínűleg el kell fogadnia ezt a következtetést), további két kérdést kell feltennie magának:

• Olyan előrejelzési megközelítést kell használnia, amely jól kezeli a trendeket? Azt gondolná, hogy ha trendet észlel, olyan előrejelzési megközelítést kell alkalmaznia, amely jól kezeli a trendeket. Ez gyakran igaz, de nem feltétlenül. Tegyük fel, hogy ahelyett, hogy az időszakot használta volna a korrelációs elemzés egyik változójaként, valami olyasmit használt, mint például a verseny által elért árbevétel .

Ha a versenytársak bevételei az Önéhez hasonlóan csúsznak (vagy ha mindkét bevételcsoport növekszik), valószínűleg szignifikáns korrelációt fog találni az Ön bevételei és a versenytárs bevételei között. De nagyon is lehetséges – sőt valószínű –, hogy nincs valódi ok-okozati kapcsolat a bevételeik és az Ön bevételei között. Előfordulhat, hogy az Ön és az övék is összefügg a valódi ok-okozati tényezővel: a teljes piac mérete változik. Ebben az esetben valószínűleg sokkal jobban járna, ha a teljes piac méretét használná előrejelző változóként. Ebben a forgatókönyvben a piac mérete közvetlen, okozati összefüggésben van az Ön bevételével, míg a versenytársak bevétele csak közvetett kapcsolatban áll az Ön bevételével.

• Vissza kell vonni az adatokat? Egy rejtett változó, mint például a piac teljes méretének következetes változása, azt hiheti, hogy egy előrejelző változó és az előrejelezni kívánt változó közvetlenül összefügg, pedig valójában nem. Vagy az előrejelző és az előrejelzés hasonló módon változhat, mert mindkettő az időhöz kapcsolódik .

Az ilyen helyzetek kezelésének módja az, hogy először mindkét változót detrendeljük egy transzformáció segítségével.

Vagy inkább olyan megközelítéssel készítheti előrejelzését, amely nem feltétlenül kezeli jól a trendeket, például mozgóátlagokat vagy egyszerű exponenciális simítást. Ennek egyik oka az, hogy előfordulhat, hogy az adathalmaz regressziós megközelítése nem olyan pontos előrejelző, mint a mozgóátlagok vagy a simítás. Ismét ellenőrizze, hogy átalakíthatja-e az adatokat a trend eltávolításához.