Dėl kelių labai praktiškų priežasčių turite suprasti specializuotą terminiją, naudojamą pardavimų prognozėje. Viena iš jų gali būti paprašyta paaiškinti savo prognozes savo viršininkui arba, pavyzdžiui, pardavimų vadybininkų susitikime.
Kita gera priežastis yra ta, kad „Excel“, kaip ir kitose programose, vartoja daugybę šių terminų, o suprasti, kas vyksta, yra daug lengviau, jei žinote, ką šie terminai reiškia.
Autoregresyvūs integruoti slenkamieji vidurkiai (ARIMA)
Jei ketinate daryti prognozes, kai kurie protingi aleckai galiausiai jūsų paklaus, ar naudojote autoregresyvius integruotus slankiuosius vidurkius (ARIMA), ir jūs turėtumėte žinoti, kaip atsakyti. ARIMA iš dalies yra prognozavimo metodas, taip pat būdas įvertinti jūsų pradinę padėtį, kad galėtumėte gauti kiekybinių įrodymų, patvirtinančių regresijos metodo, slankiojo vidurkio metodo arba abiejų derinio naudojimą. Jei tikrai nesidomėsite šiais prognozavimo dalykais, paprastai puikiai išsiversite ir be jo, nors tai puikus, nors ir sudėtingas diagnostikos įrankis.
Beje, jūsų atsakymas į išmanųjį aleką turėtų būti: „Ne. Jau taip ilgai dirbu su šia bazine linija, kad žinau, kad geriausius rezultatus pasieksiu eksponentiniu būdu. Tai, kaip žinote, yra viena iš ARIMA formų.
Bazinė linija
Bazinė linija yra chronologine tvarka išdėstytų duomenų seka. Kai kurie bazinių linijų pavyzdžiai apima bendras mėnesio pajamas nuo 2010 m. sausio mėn. iki 2015 m. gruodžio mėn., kas savaitę parduotų vienetų skaičių nuo 2015 m. sausio 1 d. iki 2016 m. gruodžio 31 d. ir bendras ketvirčio pajamas nuo I ketvirčio 2007–2016 m. IV ketvirtis. Taip išdėstyti duomenys kartais vadinami laiko eilutėmis.
Koreliacija
Koreliacijos koeficientas išreiškia, kaip stipriai du kintamieji yra susiję. Jo galimos reikšmės svyruoja nuo –1,0 iki +1,0, tačiau praktiškai niekada nerandate tokių ekstremalių koreliacijų. Kuo koreliacijos koeficientas artimesnis +/–1,0, tuo stipresnis ryšys tarp dviejų kintamųjų. 0,0 koreliacija reiškia, kad nėra ryšio. Taigi, galite rasti +0,7 (gana stiprią) koreliaciją tarp jūsų pardavimo pakartojimų skaičiaus ir bendrų pajamų, kurias jie atneša: kuo didesnis pakartojimų skaičius, tuo daugiau parduodama. Ir jūs galite rasti –0,1 koreliaciją (gana silpna) tarp to, kiek atstovas parduoda, ir jo telefono numerio.
Ypatingas koreliacijos tipas yra autokoreliacija, kuri apskaičiuoja ryšio tarp vieno stebėjimo pradinėje linijoje ir ankstesnio stebėjimo stiprumą (dažnai, bet ne visada, ryšį tarp dviejų nuoseklių stebėjimų). Autokoreliacija parodo ryšio tarp to, kas buvo anksčiau, ir to, kas buvo po to, stiprumą. Tai savo ruožtu padeda nuspręsti, kokią prognozavimo techniką naudoti. Štai pavyzdys, kaip apskaičiuoti autokoreliaciją, kuri gali padaryti sąvoką šiek tiek aiškesnę:
=CORREL(A2:A50,A1:A49)
Šioje „Excel“ formulėje naudojama CORREL funkcija, kad parodytų, koks stiprus (arba koks silpnas) yra ryšys tarp bet kokių A2:A50 ir A1:A49 reikšmių. Naudingiausios autokoreliacijos apima bazines linijas, kurios yra surūšiuotos chronologine tvarka. (Tokio tipo autokoreliacija nėra visiškai tokia pati, kaip ARIMA modeliuose apskaičiuotos autokoreliacijos.)
Ciklas
Ciklas yra panašus į sezoninį svyravimą, bet nemanau, kad tai taip pat kaip ir jūs sezoniškumą. Pakilimas gali trukti keletą metų, o nuosmukis gali daryti tą patį. Be to, vienam pilnam ciklui gali prireikti ketverių metų, o kitam – tik dvejų metų. Geras pavyzdys yra verslo ciklas: nuosmukiai persekioja pakilimus, ir niekada nežinai, kiek jie truks. Priešingai, metų sezonai yra tokio pat ilgio arba beveik tokie.
Slopinimo faktorius
Slopinimo koeficientas yra tarp 0,0 ir 1,0, kad jūs naudojate eksponentinio išlyginimo nustatyti, kiek iš anksto prognozuota klaidos bus naudojami apskaičiuojant kitą prognozę frakcija.
Tiesą sakant, termino slopinimo faktorius vartojimas yra šiek tiek neįprastas. Dauguma tekstų apie eksponentinį išlyginimą nurodo išlyginimo konstantą. Slopinimo koeficientas yra 1,0 atėmus išlyginimo konstantą. Tikrai nesvarbu, kurį terminą vartojate; Jūs tiesiog atitinkamai pakoreguojate formulę.
Eksponentinis išlyginimas
Kvailas terminas, net jei techniškai tikslus. Naudodami eksponentinį išlyginimą, palyginate savo ankstesnę prognozę su ankstesne faktine (šiuo atveju faktinis yra pardavimo rezultatas, kurį apskaita jums praneš – po to, kai sugeneravote). Tada naudojate klaidą, ty skirtumą tarp ankstesnės prognozės ir ankstesnės faktinės, norėdami pakoreguoti kitą prognozę ir, tikitės, padaryti ją tikslesnę nei tuo atveju, jei neatsižvelgtumėte į ankstesnę klaidą.
Prognozuojamas laikotarpis
Prognozė laikotarpis yra laiko, kad manimi atstovauja kiekvienam savo pradinio stebėjimo ilgis. Terminas vartojamas, nes jūsų prognozė paprastai reiškia tą patį laikotarpį, kaip ir kiekvienas pradinis stebėjimas. Jei jūsų bazinę liniją sudaro mėnesio pardavimo pajamos, jūsų prognozė paprastai yra ateinančiam mėnesiui. Jei bazinį lygį sudaro ketvirčio pardavimai, jūsų prognozė paprastai yra kito ketvirčio. Naudodami regresijos metodą, galite prognozuoti tolimesnę ateitį nei tik vieną prognozės laikotarpį, bet kuo toliau jūsų prognozė nuo naujausio faktinio stebėjimo, tuo plonesnis ledas.
Kintantis vidurkis
Jūs tikriausiai susidūrėte su slankiųjų vidurkių koncepcija kažkur išilgai linijos. Idėja yra ta, kad nustatant vidurkį pradinės linijos triukšmas išnyksta, todėl galite geriau suprasti signalą (kas iš tikrųjų vyksta laikui bėgant, nesuteptas neišvengiamų atsitiktinių klaidų). Tai yra vidurkis, nes tai tam tikro skaičiaus iš eilės atliktų stebėjimų, pvz., sausio, vasario ir kovo pardavimų vidurkis. Jis juda , nes laikotarpiai, kad vidurkis judėti į priekį metu - taip, pirmas slankusis vidurkis galėtų apimti sausio, vasario ir kovo; antrasis slenkamasis vidurkis galėtų apimti vasarį, kovą ir balandį; ir taip toliau.
Nereikalaujama, kad kiekvienas slankusis vidurkis turėtų tris reikšmes – tai gali būti dvi, keturios, penkios, o gal net daugiau.
Numatymo kintamasis
Paprastai šis terminas vartojamas, kai prognozuojate su regresija. Prognozuoti kintamasis yra kintamasis naudojate įvertinti būsimą vertę kintamojo norite prognozuoti. Pavyzdžiui, galite rasti patikimą vieneto pardavimo kainos ir pardavimo apimties ryšį. Jei žinote, kiek jūsų įmonė ketina apmokestinti už vienetą kitą ketvirtį, galite naudoti šį ryšį kito ketvirčio pardavimo apimčiai prognozuoti. Šiame pavyzdyje vieneto pardavimo kaina yra numatomas kintamasis.
Regresija
Jei pardavimų prognozavimui naudojate regresijos metodą, taip yra todėl, kad radote patikimą ryšį tarp pardavimo pajamų ir vieno ar daugiau prognozuojamųjų kintamųjų. Kurdami prognozę, naudojate šį ryšį ir žinias apie būsimas prognozuojamųjų kintamųjų reikšmes.
Kaip žinotumėte tas būsimas prognozuojamųjų kintamųjų vertes? Jei ketinate naudoti vieneto kainą kaip prognozę, vienas geras būdas yra produktų valdymo skyriuje sužinoti, kiek ji ketina apmokestinti už vienetą per kiekvieną kitą, tarkime, keturis ketvirčius. Kitas būdas yra susijęs su datomis: visiškai įmanoma ir netgi įprasta naudoti datas (pvz., mėnesius per metus) kaip prognozuojamąjį kintamąjį.
Sezoniškumas
Per metus jūsų bazinė linija gali kilti ir kristi sezoniškai. Galbūt jūs parduodate produktą, kurio pardavimai kyla šiltu oru, o krenta šaltu. Jei matote maždaug tą patį modelį kiekvienais metais per kelerių metų laikotarpį, žinote, kad žiūrite į sezoniškumą. Galite pasinaudoti šiomis žiniomis, kad pagerintumėte savo prognozes. Naudinga atskirti sezonus nuo ciklų. Niekada nežinai, kiek truks tam tikras ciklas. Bet kiekvienas iš keturių metų laikų yra trijų mėnesių trukmės.
Tendencija
Tendencija yra iš pradinis lygio tendencija kilti arba kristi laikui bėgant. Didėjančių pajamų tendencija, žinoma, yra gera žinia pardavimų atstovams ir pardavimo vadovybei, jau nekalbant apie likusią įmonės dalį. Mažėjantis pardavimas, nors ir retai gera žinia, gali informuoti rinkodaros ir produktų valdymą, kad jiems reikia priimti tam tikrus sprendimus, galbūt skausmingus, ir imtis jų. Nepriklausomai nuo tendencijos krypties, faktas, kad tendencija egzistuoja, kai kuriais atvejais gali sukelti problemų jūsų prognozėms, tačiau yra būdų, kaip tas problemas spręsti.