Kad veicat kvantitatīvu prognozi (prognoze, kas izmanto skaitlisku bāzes līniju, nevis kaut ko līdzīgu ekspertu atzinumiem), jūs vienmēr meklējat attiecības. Pieņemsim, ka apsverat iespēju prognozēšanai izmantot regresiju. Varat uzzināt vairākus iespējamos prognozēšanas mainīgos, no kuriem jebkurš (vai jebkura kombinācija) var sniegt jums vislabāko prognozi.
Pārdošanas jomā tas nozīmē, ka ir jāmeklē attiecības starp pārdošanu un dažiem citiem mainīgajiem lielumiem, piemēram, pārdošanas apjomu, laika periodu vai vienības cenu. (Arī ekspertu viedokļi, ja vien tie nāk no īsta eksperta, ir vērtīgi — pat ja tos izmantojat tikai, lai nodrošinātu kvantitatīvās prognozes kontekstu.)
Bieži vien interesē arī attiecības starp pārdošanas ieņēmumiem vienā laika periodā un iepriekšējā laika periodā. To sauc par autokorelāciju un konceptuāli ir tuvu autoregresijai. Autokorelācijas aprēķināšana var palīdzēt pieņemt daudzus lēmumus, tostarp šādus:
- Kuru prognozēšanas metodi izmantot
- Vai jūs nemaldinās mainīgā vidējā prognoze
- Kā strukturēt eksponenciāli izlīdzinošu prognozi
- Vai noteikt bāzes līniju
It īpaši, ja jums ir ievērojams skaits iespējamo prognozējošo mainīgo, attiecību aprēķināšana pa vienam var būt patiesa sāpīga. Šim nolūkam vēlēsities izmantot datu analīzes pievienojumprogrammu.
Viens no rīkiem, ko atradīsit datu analīzes pievienojumprogrammā, ir korelācijas rīks. Ja bāzes līniju iestatāt kā Excel tabulu, korelācijas rīks atbrīvos no vairāku korelāciju aprēķināšanas grūtībām.
Sekojošais attēls parāda:
- Pārdošanas ieņēmumi (mainīgais lielums, kuru vēlaties prognozēt)
- Laika periods
- Vienības cena
- Pārdošanas personāla lielums
- Reklāmas dolāri
- Pārdošanas vadītāju ieņēmumu aplēses kopā
Tas ir pārāk daudz datu, lai ērti aprēķinātu, izmantojot darblapas funkcijas.
Jūsu mērķis ir izlemt, kuru (ja tāds ir) no pēdējiem pieciem mainīgajiem uzskatīt par prognozējošiem mainīgajiem pārdošanas ieņēmumu regresijas prognozē. Lai sāktu šo darbu, aprēķiniet katru no korelācijas koeficientiem.