Prognoseteknikk: Utforsking av prognoselogikk i LuckyTemplates-modeller

Hvis du vil ha et eksempelscenario i den virkelige verden for prognoser med LuckyTemplates, er du på rett side. Du finner i denne opplæringen en prognoseteknikk som du sikkert kan implementere i ditt eget arbeidsmiljø. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

I eksemplet sammenligner jeg mine faktiske resultater med prognosene mine og ser på dem kumulativt. De kumulative summene gir meg en mye bedre oversikt og sikrer meg at jeg vet når en trend dukker opp. Hvis du bruker prognoseteknikken jeg diskuterer i denne opplæringen, vil du kunne oppnå det samme.

Først må du imidlertid lage selve prognosen. Du kan ha dette i en egen datakilde eller et eget regneark, eller du må kanskje opprette det fordi du ikke har det ennå. Det er mange måter du kan lage det på – noen ganger er det enkelt, og noen ganger, etter min mening, er det mer komplekst enn det trenger å være.

Når du har satt opp det, kan det å utvikle noen enkel logikk og bruke formler med DAX virkelig gi deg innsikt i dataene dine.

Å gjennomgå faktiske resultater alene er greit, men i mange tilfeller trenger du en benchmark for å virkelig vise den relative ytelsen.

Med mindre du har en grundig forståelse av tall, er bruk av en benchmark eller prognose (som i dette tilfellet) den beste måten å vise dette for forbrukerne dine.

Ved å bruke de andre filtrene i datamodellen din kan du dessuten sette opp rapportene dine for å dykke inn i bestemte områder av datasettene dine effektivt og se hvordan resultatene har prestert i forhold til den unike referansen. Noen ganger er det noen nyanser å forstå, men dette er en annen veiledning.

Innholdsfortegnelse

• Opprette en prognose
• Utarbeide den kumulative prognosen
• Prognose versus salg
• Konklusjon

Opprette en prognose

Vi har en enkel datamodell her med Total Sales, som bare er historisk informasjon, så vi må lage en prognose. Det er mange måter å gjøre dette på, men jeg skal vise deg hvordan du lager en enkel.

I denne demonstrasjonen skal jeg projisere hva vi har oppnådd i 2015 til 2016. Jeg bruker med Totalt salg , og går så og legger inn Datoer .

Dette kommer til å gi oss salget i fjor. Vi kan se at i tabellen vår her at de første dataene som ble lagt inn var 1. juni 2014.

Nå gjenspeiles det i 2015 (salget i fjor).

Vi må imidlertid gå ett skritt videre. Vi ønsker å forutsi 2016, så vi vil ha dataene våre fra januar 2016, og deretter gå for hele året. For å gjøre det endrer vi konteksten til beregningen (ved å bruke CALCUATE ), men vi filtrerer ut informasjon som ikke er i 2016 (med en uttalelse). Derfor filtrerer vi Datoer- tabellen der året er lik 2016.

Dette vil bokstavelig talt bli kvitt eller slette enhver dato som ikke er 2016 for denne prognosen. La oss dra det inn i tabellen vår, så ser vi at dataene våre starter fra januar 2016.

Vi har nå 2016-prognosen.

Når vi viser det på et diagram, kan vi se vårt totale salg per dag og vår salgsprognose, som bare er en projeksjon av året før.

Utarbeide den kumulative prognosen

Nå skal vi gjøre disse om til kumulative totaler og vi skal se på disse kumulativt, noe som gjør oss i stand til å få bedre innsikt. Det første vi må gjøre er å beregne kumulativt salg .

Vi kan deretter gjenbruke dette for å utarbeide vår kumulative 2016-prognose . Alt vi trenger å gjøre er å legge inn Totalt salg med 2016-prognosen .

Nå har vi den kumulative summen av 2016-prognosen , som bare er de anslåtte resultatene for 2015. Vi har gjort dem om til en samlet sum, som vi kan sammenligne med våre kumulative salg i år .

Vi kan gjøre dette til en visualisering og være i stand til å analysere denne informasjonen om hvordan vi går kumulativt. Det er litt av et problem her hvor den kumulative totalen er projisert hele veien, selv om det ikke er informasjon og vi sannsynligvis ikke ønsker det.

Vi kan fikse det veldig enkelt ved å legge til i formelen vår. Så hvis det bokstavelig talt ikke er salg den dagen, kommer dette tilbake. Dette kommer til å bli kvitt all informasjon som er videresendt fra en bestemt dato.

Vi trykker på Enter, og vi vil se i diagrammet vårt at linjen forsvinner, ettersom vi overlegger vårt nåværende salg mot vår salgsprognose.

Prognose versus salg

Herfra kan vi beregne salget vårt kontra prognosen vår ved å måle forgrening .

Og vi kan gjøre dette til en visualisering alene, men det genererer egentlig ingen innsikt for oss for øyeblikket fordi vi ikke har noen data fra september til desember, og det tar det bare som null.

Vi kan fikse dette igjen ved å legge inn den ISBLANK- logikken.

Og med det kan vi nå se hvordan vi går gjennom tiden kontra vår kumulative prognose.

Siden dette henger sammen i datamodellen, kan vi dessuten ta inn produktene våre, for eksempel. Vi gjør den om til en slicer og ser hvordan vi går med hvert av produktene våre.

Vi kan dynamisk velge alle produktene våre og se hvordan de spores.

Konklusjon

Dette er en unik prognoseteknikk som jeg har demonstrert i denne opplæringen. Først laget vi en prognose, vi holdt den ganske enkel, og deretter brukte vi en samlet sum for å visualisere den bedre. Etter det sammenlignet vi det og var i stand til å spore gjennom tiden og se hvordan alt salget gikk.

Alt handler om forretningsapplikasjonene med dette. Jeg dekker faktisk mange lignende applikasjoner rundt prognoser i min Dette er verdt å sjekke ut hvis du vil lære mer om prognoseteknikken, budsjettering, segment- og grupperingsteknikker og scenarioanalyse for å nevne noen.

Jeg håper du vil være i stand til å finne en måte å inkorporere denne prognoseteknikken i ditt eget arbeid.

Beste ønsker!

***** Lære Lucky Templates? *****