Når du lager en kvantitativ prognose (en prognose som bruker en numerisk grunnlinje i stedet for noe som ekspertuttalelser), leter du alltid etter relasjoner. Anta at du vurderer å bruke regresjon til å forutsi. Du kan få tak i flere mulige prediktorvariabler, en hvilken som helst (eller hvilken som helst kombinasjon) av disse kan gi deg din beste prognose.
På salgsarenaen betyr dette å lete etter forhold mellom salg og noen andre variabler som størrelsen på salgsstyrken, tidsperiode eller enhetspris. (Ekspertuttalelser, så lenge de kommer fra en ekte ekspert, er også verdifulle - selv om du bare bruker dem for å gi en kontekst for din kvantitative prognose.)
Forholdet mellom salgsinntekter for én tidsperiode og en tidligere tidsperiode er også ofte av interesse. Dette kalles en autokorrelasjon og er konseptuelt nær autoregresjon. Å beregne en autokorrelasjon kan hjelpe deg med å ta mange beslutninger, inkludert følgende:
- Hvilken prognosemetode skal brukes
- Enten du vil bli villedet av en prognose for glidende gjennomsnitt
- Hvordan strukturere en eksponentiell utjevnende prognose
- Om du skal avskrekke en grunnlinje
Spesielt hvis du har et betydelig antall mulige prediktorvariabler, kan det være vanskelig å beregne sammenhengene én etter én. For det vil du bruke tillegget Data Analysis.
Et av verktøyene du finner i Data Analysis-tillegget er korrelasjonsverktøyet. Hvis du setter opp grunnlinjen som en Excel-tabell, tar korrelasjonsverktøyet mesteparten av smerten ved å beregne flere korrelasjoner.
Følgende figur viser:
- Salgsinntekter (variabelen du vil anslå)
- Tidsperiode
- Enhetspris
- Størrelse på salgsstyrken
- Annonsekroner
- Sum av salgssjefers inntektsestimater
Dette er for mye data til å beregne praktisk med regnearkfunksjoner.
Målet ditt er å bestemme hvilke (hvis noen) av de siste fem variablene som skal vurderes som prediktorvariabler i en regresjonsprognose for salgsinntekter. For å begynne det arbeidet, beregne hver av korrelasjonskoeffisientene.