Over tid har en grunnlinje en tendens til å vise konsistent oppførsel: Nivået øker, synker eller forblir stasjonært (eller det kan være sesongmessig eller syklisk). Forholdet mellom tidsperioder hjelper til med å måle denne atferden: forholdet mellom en måned og den neste, eller mellom ett kvartal og det neste, eller mellom ett kvartal og det samme kvartalet året før.
Grunnlinjen din kan blande sammen relasjonene mellom tidsperioder av ulike årsaker, noen gode og noen dårlige. Et par eksempler:
- Den som har samlet basisdataene (ikke du, absolutt) overså salgsinntektene for 15. juni til 30. juni. Dette er et reelt problem, og det er virkelig uforsvarlig. "Hunden spiste leksene mine" betyr ikke det her.
- Lageret brant ned til grunnen og ingen kunne selge noe før fabrikken kunne ta igjen tapet av inventar. Igjen, et reelt problem, men det hjelper ikke på prognosen din selv om politiet fanger brannstifteren.
Årsaken er denne: Hvis nesten hele grunnlinjen din består av månedlige inntekter, og én tidsperiode representerer bare en halv måned, vil enhver prognose som avhenger av hele grunnlinjen bli kastet av. Figuren viser et eksempel på hva som kan skje.
Dårlige data fra en nylig tidsperiode kan føre til en dårlig prognose.
Cellene A1:B27 inneholder en grunnlinje med nøyaktige inntekter hele veien. Eksponentiell utjevning gir prognosen for august 2016 i celle C28.
Cellene H1:I27 har samme grunnlinje, bortsett fra celle I25. Av en eller annen grunn (uforsiktig regnskapsføring, at lagerbrannen, eller noe annet), har inntektene for mai 2016 vært underrapportert. Resultatet er at prognosen for august 2016 er mer enn $6000 mindre enn den er når inntektene fra mai 2016 er et resultat av verken en feil eller en engangshendelse. Seks tusen dollar høres kanskje ikke mye ut, men i denne sammenhengen er det 8 prosent forskjell. Og det er enda verre rett etter at problemet oppstår: Forskjellen på de to prognosene er 17 prosent i juni 2016.
Hvis de manglende dataene ikke kan lokaliseres, kanskje på grunn av en regnskapsfeil, eller hvis det ikke ble gjort noen feil, men en virkelig uvanlig hendelse avbrøt salgsprosessen i løpet av mai 2016, vil du sannsynligvis anslå de faktiske tallene for mai. Et par fornuftige måter å gjøre det på:
- Ta gjennomsnittet av april og juni og tilordne det gjennomsnittet til mai.
- Bruk juni 2014 til april 2016 som en grunnlinje, og prognose for mai 2016. Bruk deretter prognosen for mai 2016 i hele grunnlinjen, januar 2014 til og med juli 2016.
Denne situasjonen er en god grunn til å kartlegge baseline. Bare å se på grunnlinjen, legger du kanskje ikke merke til at mai 2016 er en merkelig sak. Men det hopper rett ut på deg hvis du kartlegger grunnlinjen - se følgende figur, spesielt juni til august 2016 i hvert diagram.
Oddball-data hopper ut av deg når du kartlegger grunnlinjen.
Ikke bekymre deg for små forskjeller i lengden på grunnlinjens tidsperioder. Mars har én dag mer enn april, men det er ikke verdt å bekymre seg for. To manglende uker er en annen sak.