Kustīgie vidējie lielumi Excel datu analīzes pievienojumprogrammā

Kad esat instalējis Excel datu analīzes pievienojumprogrammu un padarījis to pieejamu programmai Excel, varat atlasīt jebkuru no tās analīzes rīkiem un palaist šo analīzi ar ievadītajiem ievades datiem. Prognozēšanas pasaulē tas nozīmē bāzes līniju, ko esat apkopojis un pareizi strukturējis darblapā.

Pirmais rīks, ko jūs varētu apsvērt — kaut vai tāpēc, ka tas ir visvieglāk lietojams un saprotams — ir kustīgais vidējais rīks. Kā vienmēr ar pievienojumprogrammu, vispirms atveriet lentes cilni Dati un izvēlieties Datu analīze. Sarakstā Analīzes rīki atlasiet Moving Average un noklikšķiniet uz Labi.

Tiek parādīts dialoglodziņš Moving Average, kas parādīts šeit.

Intervāls ir faktisko vērtību skaits no jūsu bāzes līnijas, kas jāizmanto katrā mainīgajā vidē.

Pārcelšanās diena: nokļūšana no šejienes uz turieni

Tikpat vienkārši, cik viegli ir iestatīt un saprast mainīgos vidējos rādītājus, jūs uzņematies papildu atbildību, kad izlemjat prognozēt ar tiem. Jautājums ir par to, cik laika periodus no sākotnējās līnijas ir jāiekļauj katrā mainīgajā vidējā rādītājā.

Aprēķinot katru mainīgo vidējo, izmantojiet to pašu faktisko novērojumu skaitu. Ja pirmais mainīgais vidējais, ko esat aprēķinājis programmā Excel, izmanto trīs periodus no bāzes līnijas, tad visi jūsu prognozes mainīgie vidējie lielumi izmanto trīs periodus.

Jūs vēlaties izvēlēties pareizo periodu skaitu:

• Ja izmantosit pārāk maz, prognozes reaģēs uz nejaušiem satricinājumiem sākotnējā līmenī, kad jūs vēlaties izlīdzināt nejaušās kļūdas un koncentrēties uz jūsu pārdošanas rezultātu patiesajiem virzītājspēkiem.
• Ja izmantojat pārāk daudz, prognozes atpaliek no reālām, pastāvīgām bāzes līmeņa izmaiņām — iespējams, pārāk tālu, lai jūs varētu efektīvi reaģēt.

Kad izlemjat izmantot rīku Moving Average — vai, vispārīgi runājot, izmantot slīdošos vidējos lielumus neatkarīgi no tā, vai izmantojat rīku vai pats ievadāt formulas, jūs pieņemat nostāju par neseno bāzes vērtību ietekmi salīdzinājumā ar vairāku vērtību ietekmi. attālās bāzes vērtības.

Pieņemsim, ka jums ir bāzes līnija, kas ilgst no 2016. gada janvāra līdz 2016. gada decembrim, un savām prognozēm izmantojat trīs mēnešu mainīgo vidējo pārdošanas rezultātu. Prognoze 2017. gada janvārim būtu 2016. gada oktobra, novembra un decembra rezultātu vidējais rādītājs. Šī prognoze ir pilnībā atkarīga no 2016. gada pēdējā ceturkšņa un ir matemātiski neatkarīga no 2016. gada pirmajiem trim ceturkšņiem.

Kā būtu, ja tā vietā būtu izvēlējies sešu mēnešu mainīgo vidējo rādītāju? Tad prognoze 2017. gada janvārim būtu balstīta uz vidējo rādītāju no 2016. gada jūlija līdz decembrim. Tas būtu pilnībā atkarīgs no 2016. gada otrās puses, un 2016. gada pirmajam pusgadam nebūtu tiešas ietekmes uz 2017. gada janvāra prognozi.

Varētu būt, ka kāda no šīm situācijām — vai cita, piemēram, divu mēnešu mainīgais vidējais — ir tieši tas, ko vēlaties. Piemēram, jums var būt nepieciešama prognoze, lai uzsvērtu jaunākos rezultātus. Šis uzsvars var būt īpaši svarīgs, ja jums ir aizdomas, ka nesens notikums, piemēram, būtiskas izmaiņas jūsu produktu līnijā, ietekmēs pārdošanu.

No otras puses, jūs, iespējams, nevēlaties pārāk uzsvērt nesenos pārdošanas rezultātus. Jaunāko pārdošanas rezultātu uzsvēršana ilgtermiņā var padarīt neskaidru to, kas notiek ar jūsu bāzes līniju. Ja neesat pārliecināts, cik daudz uzsvērt jaunākos rezultātus, jums ir dažas labas iespējas:

• Eksperimentējiet ar dažādu laika periodu skaitu, lai izveidotu slīdošo vidējo vērtību. Šī pieeja bieži ir vislabākā.
• Izmantojiet eksponenciālo izlīdzināšanu, kas izmanto visu bāzes līniju, lai iegūtu prognozi, bet piešķir lielāku nozīmi jaunākajām bāzes līnijas vērtībām. Eksponenciālā izlīdzināšana piešķir nedaudz mazāku nozīmi nākamajai līdz pēdējai bāzes līnijas vērtībai, nedaudz mazāk svara vērtībai pirms tam, un tā tālāk līdz pat pirmajai bāzes līnijas vērtībai, kurai ir vismazākā ietekme uz nākamo. prognoze.

Slīdošie vidējie rādītāji un stacionāras bāzes līnijas

Slīdošie vidējie lielumi ir labi piemēroti stacionārām bāzes līnijām (bāzes, kuru līmenis parasti nepalielinās vai nesamazinās ilgā laika periodā). Varat izmantot slīdošos vidējos rādītājus ar bāzes līnijām, kurām ir tendence uz augšu vai uz leju, taču parasti vispirms tās ir jānovērš, vai arī izmantojiet kādu no sarežģītākajiem mainīgā vidējā modeļiem.

Kā atšķirt stacionāru bāzes līniju no tā, kam ir tendence uz augšu vai uz leju? Viens veids ir to apskatīt. Nākamajā attēlā ir piemērs. Bāzes līnija noteikti izskatās nekustīga. Tai ir tapas, virsotnes un ielejas, taču kopumā bāzes līnija nešķiet tendence uz augšu vai uz leju.

Ilgākā laika periodā (teiksim, sešus, nevis divus gadus) šī bāzes līnija var izrādīties cikla daļa. Taču īstermiņa mērķiem šī ir stacionāra bāzes līnija.

Problēma, skatoties tikai uz bāzes līniju, ir tā, ka dažreiz nav pilnīgi skaidrs, vai tas ir nekustīgs vai tendence. Ko jūs domājat par bāzes līniju, kas parādīta nākamajā attēlā? Aplūkojot diagrammu, ir grūti pateikt, vai bāzes līnija ir nekustīga. Tā varētu būt, bet tad atkal tas tiešām var pakāpeniski dreifēt uz leju. Varat veikt ātru pārbaudi, pārbaudot korelāciju starp datumu un ieņēmumiem.

Šī bāzes līnija izskatās tā, it kā tā varētu viegli virzīties uz leju. Tendences līnijas pievienošana var palīdzēt interpretēt notiekošo.