Kā pārbaudīt pārdošanas prognozēšanas tendences

Kā zināt, vai prognozēšanas tendence ir reāla? Ja redzat bāzes līniju, kas izskatās tā, it kā tā dreifētu uz augšu vai uz leju, vai tā atspoguļo reālu tendenci, vai arī tā ir tikai nejauša variācija? Lai atbildētu uz šiem jautājumiem, jums ir jāiedziļinās varbūtībā un statistikā. Par laimi, jums nav jāiekļaujas tajās pārāk tālu — iespējams, līdz plaukstas locītavai.

Pamatdomu gājiens ir šāds:

Izmantojiet programmu Excel, lai pastāstītu, kāda ir korelācija starp pārdošanas ieņēmumiem un ar tiem saistītajiem laika periodiem.
Nav nozīmes tam, vai es pārstāvu šo laika periodu kā 2011. gada janvāri, 2011. gada februāri, 2011. gada martu. . . 2016. gada decembris vai kā 1., 2., 3. . . 72.

Ja starp ieņēmumiem un laika periodu nav sakarības, ko mēra pēc korelācijas, nav tendences, un jums par to nav jāuztraucas.

Ja ir saistība starp ieņēmumiem un laika periodiem, jums ir jāizvēlas labākais veids, kā rīkoties ar tendenci.

Pēc tam, kad programma Excel ir aprēķinājusi korelāciju, jums ir jāizlemj, vai tā atspoguļo reālu saistību starp laika periodu un ieņēmumu summu, vai arī tas ir tikai veiksmes gadījums.
Ja varbūtība, ka tā ir tikai veiksme, ir mazāka par 5 procentiem, tā ir reāla tendence. (Arī 5 procentos nav nekas burvīgs — tas ir parasts. Daži cilvēki izvēlas izmantot 1 procentu kā savu kritēriju — tas ir konservatīvāks par 5 procentiem, un viņi jūtas nedaudz drošāk.) Tas rada jautājumu par statistisko nozīmīgumu: kāds ir varbūtības līmenis. vai jums ir nepieciešams, pirms izlemjat, ka kaut kas (šeit, korelācija) ir īstais Makojs?

Ir dažādas metodes korelācijas koeficienta statistiskā nozīmīguma pārbaudei. Šeit ir trīs populāras metodes:

• Pārbaudiet korelāciju tieši un salīdziniet rezultātu ar normālo sadalījumu.
• Pārbaudiet korelāciju tieši un salīdziniet rezultātu ar t sadalījumu (lai gan t sadalījums ir līdzīgs parastajai līknei, tiek pieņemts, ka izmantojat mazāku paraugu, nevis bezgalīgi lielu kopu).
• Pārvērtiet korelāciju ar Fišera transformāciju (kas pārvērš korelācijas koeficientu par vērtību, kas iekļaujas normālajā līknē) un salīdziniet rezultātu ar normālo sadalījumu.

Ir arī citas populāras metodes korelācijas koeficienta statistiskā nozīmīguma pārbaudei. Katrs atgriež nedaudz atšķirīgu rezultātu. Praksē jūs gandrīz vienmēr pieņemsit vienu un to pašu lēmumu (korelācija ir vai nav būtiski atšķirīga no nulles), neatkarīgi no izvēlētās metodes.

Ja secināt, ka korelācijas mērījumu tendence ir reāla (un, ja varbūtība ir mazāka par 1 procentu, ka korelācija ir spoks, jums, iespējams, vajadzētu pieņemt šo secinājumu), jums ir vēl divi jautājumi, kas jāuzdod sev:

• Vai jums vajadzētu izmantot prognozēšanas pieeju, kas labi pārvalda tendences? Jūs domājat, ka, konstatējot tendenci, jums vajadzētu izmantot prognozēšanas pieeju, kas labi apstrādā tendences. Tā bieži ir taisnība, bet ne obligāti. Pieņemsim, ka tā vietā, lai izmantotu laika periodu kā vienu no mainīgajiem korelācijas analīzē, jūs izmantojāt kaut ko tādu, piemēram, konkurences gūtos pārdošanas ieņēmumus .

Ja konkurentu ieņēmumi slīd, tāpat kā jūs (vai ja abu ieņēmumu kopas pieaug), jūs, iespējams, atradīsit nozīmīgu korelāciju starp jūsu un konkurentu ieņēmumiem. Taču ir pilnīgi iespējams — pat iespējams —, ka starp viņu ienākumiem un jūsu ieņēmumiem nav īstas cēloņsakarības. Var gadīties, ka gan jūsu, gan viņu savējais ir saistīts ar patieso cēloņsakarību: mainās kopējā tirgus apjoms. Tādā gadījumā jūs, iespējams, daudz labāk izmantotu kopējā tirgus lieluma mērījumu kā prognozēšanas mainīgo. Šajā scenārijā tirgus lielumam ir tieša, cēloņsakarība ar jūsu ieņēmumiem, savukārt konkurentu ieņēmumiem ir tikai netieša saistība ar jūsu ieņēmumiem.

• Vai jums vajadzētu atturēt datus? Slēptais mainīgais, piemēram, konsekventas izmaiņas kopējā tirgus apjomā, var likt jums domāt, ka prognozējamais mainīgais un mainīgais, kuru vēlaties prognozēt, ir tieši saistīti, lai gan patiesībā tie nav. Vai arī prognozētājs un prognoze var mainīties līdzīgā veidā, jo tie abi ir saistīti ar laiku.

Veids, kā rīkoties šāda veida situācijā, ir vispirms novērst abus mainīgos, izmantojot transformāciju.

Vai arī vēlaties izveidot savu prognozi, izmantojot pieeju, kas ne vienmēr labi risina tendences, piemēram, mainīgos vidējos rādītājus vai vienkāršu eksponenciālo izlīdzināšanu. Viens no iemesliem, kāpēc tas tiek darīts, ir tas, ka, iespējams, jūsu datu kopas regresijas pieeja nav tik precīza prognozētāja kā mainīgie vidējie rādītāji vai izlīdzināšana. Vēlreiz pārbaudiet, vai varat pārveidot datus, lai noņemtu tendenci.