Periodisko attiecību izmantošana Excel pārdošanas prognozēšanā

Laika gaitā bāzes līnijai ir tendence uzrādīt konsekventu darbību: tās līmenis palielinās, samazinās vai paliek nemainīgs (vai tas var būt sezonāls vai ciklisks). Attiecības starp laika periodiem palīdz izmērīt šo uzvedību: attiecības starp vienu mēnesi un nākamo vai starp vienu ceturksni un nākamo, vai starp vienu ceturksni un to pašu ceturksni iepriekšējā gadā.

Jūsu bāzes līnija var sajaukt attiecības starp laika periodiem dažādu iemeslu dēļ, dažu labu un sliktu. Pāris piemēri:

• Ikviens, kurš apkopoja bāzes datus (nevis jūs, protams), neievēroja pārdošanas ieņēmumus no 15. līdz 30. jūnijam. Tā ir reāla problēma, un tā ir patiešām neattaisnojama. “Suns apēda manu mājasdarbu” šeit nav saīsināts.
• Noliktava nodega līdz pamatiem, un neviens neko nevarēja pārdot, kamēr rūpnīca nepaspēja panākt krājumu zudumu. Atkal reāla problēma, bet tas nepalīdz jūsu prognozei pat tad, ja policija notver dedzinātāju.

Iemesls ir šāds: ja gandrīz visi jūsu bāzes rādītāji sastāv no ikmēneša ieņēmumiem un viens laika periods ir tikai puse mēneša, visas prognozes, kas ir atkarīgas no visas bāzes līnijas, tiks izmestas. Attēlā parādīts piemērs tam, kas var notikt.

Slikti dati par nesenu laika periodu var izraisīt sliktu prognozi.

Šūnās A1:B27 ir ietverta bāzes līnija ar precīziem ieņēmumiem. Eksponenciālā izlīdzināšana dod prognozi 2016. gada augustam šūnā C28.

Šūnām H1:I27 ir tāda pati bāzes līnija, izņemot šūnu I25. Kādu iemeslu dēļ (neuzmanīga grāmatvedība, tas noliktavas ugunsgrēks vai kas cits) 2016. gada maija ieņēmumi ir uzrādīti par zemu. Rezultātā 2016. gada augusta prognoze ir par vairāk nekā 6000 $ mazāka nekā tad, kad 2016. gada maija ieņēmumi nav radušies ne kļūdas, ne vienreizēja incidenta rezultātā. Seši tūkstoši dolāru var neizklausīties daudz, taču šajā kontekstā tā ir 8 procentu atšķirība. Un tas ir vēl sliktāk uzreiz pēc problēmas rašanās: atšķirība abās prognozēs ir 17 procenti 2016. gada jūnijā.

Ja trūkstošos datus nevar atrast, iespējams, grāmatvedības kļūdas dēļ vai ja kļūda netika pieļauta, bet kāds patiešām neparasts incidents pārtrauca pārdošanas procesu 2016. gada maijā, jūs, iespējams, aplēsīsit faktiskos datus par maiju. Pāris saprātīgi veidi, kā to izdarīt:

• Ņemiet aprīļa un jūnija vidējo rādītāju un piešķiriet to maijam.
• Izmantojiet 2014. gada jūnija līdz 2016. gada aprīlim kā bāzes līniju un prognozējiet 2016. gada maiju. Pēc tam izmantojiet šo 2016. gada maija prognozi pilnā bāzes līmenī, no 2014. gada janvāra līdz 2016. gada jūlijam.

Šī situācija ir labs iemesls, lai izveidotu bāzes līniju. Skatoties tikai uz bāzes līniju, iespējams, nepamanīsit, ka 2016. gada maijs ir dīvains. Bet, ja diagrammā veidojat bāzes līniju, tas jums šķiet uzreiz redzams — skatiet šo attēlu, īpaši katrā diagrammā no 2016. gada jūnija līdz augustam.

Neparasti dati parādās, kad diagrammā veidojat bāzes līniju.

Neuztraucieties par nelielām atšķirībām bāzes līnijas laika periodu garumā. Martā ir par vienu dienu vairāk nekā aprīlī, taču par to nav vērts uztraukties. Divas trūkstošās nedēļas ir cits jautājums.