Kai sudarote kiekybinę prognozę (prognozė, kurioje naudojama skaitinė bazinė linija, o ne kažkas panašaus į ekspertų nuomones), visada ieškote ryšių. Tarkime, kad planuojate naudoti regresiją prognozei. Galite sužinoti kelis galimus nuspėjimo kintamuosius, kurių bet kuris (arba bet koks derinys) gali suteikti jums geriausią prognozę.
Pardavimo arenoje tai reiškia, kad reikia ieškoti ryšių tarp pardavimų ir kai kurių kitų kintamųjų, pvz., pardavimo jėgos dydžio, laikotarpio ar vieneto kainos. (Ekspertų nuomonės, jei jos pateikiamos tikro eksperto, taip pat yra vertingos – net jei jas naudojate tik kiekybinės prognozės kontekstui pateikti.)
Taip pat dažnai įdomus santykis tarp pardavimo pajamų per vieną laikotarpį ir ankstesnį laikotarpį. Tai vadinama autokoreliacija ir yra artima autoregresijai. Autokoreliacijos apskaičiavimas gali padėti priimti daugybę sprendimų, įskaitant šiuos:
- Kokį prognozavimo metodą naudoti
- Nesvarbu, ar jus suklaidintų slenkančio vidurkio prognozė
- Kaip sudaryti eksponentinį išlyginimo prognozę
- Nesvarbu, ar nustatyti bazinę liniją
Ypač jei turite daug galimų prognozuojamųjų kintamųjų, skaičiuoti santykius po vieną gali būti tikras kančia. Tam norėsite naudoti duomenų analizės priedą.
Vienas iš įrankių, kurį rasite duomenų analizės priede, yra koreliacijos įrankis. Jei bazinę liniją nustatote kaip „Excel“ lentelę, koreliacijos įrankis pašalins didžiąją dalį jėgų apskaičiuojant kelias koreliacijas.
Toliau pateiktame paveikslėlyje parodyta:
- Pardavimo pajamos (kintamasis, kurį norite prognozuoti)
- Laiko tarpas
- Vieneto kaina
- Pardavimų personalo dydis
- Reklamos dolerių
- Iš viso pardavimų vadybininkų pajamų sąmatų
Tai per daug duomenų, kad būtų galima patogiai apskaičiuoti naudojant darbalapio funkcijas.
Jūsų tikslas yra nuspręsti, kuriuos (jei yra) iš paskutinių penkių kintamųjų laikyti nuspėjamaisiais pardavimo pajamų regresijos prognozėmis. Norėdami pradėti šį darbą, apskaičiuokite kiekvieną koreliacijos koeficientą.