3 metoder för Excel-prognoser

Om du vill förutsäga framtiden i Excel - nästa kvartals försäljning till exempel - måste du ha koll på vad som har hänt tidigare. Så du börjar alltid med vad som kallas en baslinje (det vill säga tidigare historia - hur många vallmofrön ett företag sålt under vart och ett av de senaste tio åren, där marknadsterminerna slutade var och en av de senaste 12 månaderna, vad den dagliga höga temperaturen var hittills i år).

Om du inte bara ska slå tärningen och gissa behöver du en baslinje för en prognos. Idag följer igår. Vad som händer i morgon följer i allmänhet mönstret av vad som hände idag, förra veckan, förra månaden, förra kvartalet, förra året. Om du tittar på vad som redan har hänt, tar du ett solidt steg mot att förutsäga vad som kommer att hända härnäst.

En Excel-prognos skiljer sig inte från prognoser du gör med ett specialiserat prognosprogram. Men Excel är särskilt användbart för att göra försäljningsprognoser, av en mängd olika anledningar:

• Du har ofta försäljningshistorik registrerad i ett Excel-kalkylblad. När du redan har din försäljningshistorik i Excel är det enkelt att basera din prognos på den befintliga försäljningshistoriken – du har redan tagit hand om det.
• Excels kartfunktioner gör det mycket lättare att visualisera vad som händer i din försäljningshistorik och hur den historiken definierar dina prognoser.
• Excel har verktyg (finns i det som kallas Data Analysis-tillägget) som gör det enklare att generera prognoser. Du måste fortfarande veta vad du gör och vad verktygen gör – du vill inte bara störa siffrorna genom något analysverktyg och ta resultatet till nominellt värde, utan att förstå vad verktyget håller på med. Men det är vad den här boken är här för.
• Du kan ta mer kontroll över hur prognosen skapas genom att hoppa över dataanalystilläggets prognosverktyg och ange formlerna själv. I takt med att du får mer erfarenhet av prognoser kommer du förmodligen att göra det mer och mer.

Du kan välja mellan flera olika prognosmetoder, och det är här som bedömningen börjar. De tre mest använda metoderna, utan någon speciell ordning, är glidande medelvärden, exponentiell utjämning och regression.

Metod #1: Glidande medelvärden

Glidande medelvärden kan vara det bästa valet om du har någon källa till annan än försäljningen historikinformation - men du behöver behöver veta din grundläggande försäljningshistorik. Den bakomliggande idén är att marknadskrafterna driver din försäljning upp eller ner. Genom att ta ett genomsnitt av dina försäljningsresultat från månad till månad, kvartal till kvartal eller år till år kan du få en bättre uppfattning om den långsiktiga trenden som påverkar dina försäljningsresultat.

Till exempel hittar du det genomsnittliga försäljningsresultatet för de tre sista månaderna förra året - oktober, november och december. Sedan hittar du genomsnittet för nästa tremånadersperiod — november, december och januari (och sedan december, januari och februari, och så vidare). Nu får du en uppfattning om den allmänna riktningen som din försäljning tar. Genomsnittsprocessen jämnar ut de stötar du får från avskräckande ekonomiska nyheter eller tillfälliga boomlets.

Metod #2: Exponentiell utjämning

Exponentiell utjämning är nära relaterad till glidande medelvärden. Precis som med glidande medelvärden använder exponentiell utjämning tidigare historia för att förutsäga framtiden. Du använder vad som hände förra veckan, förra månaden och förra året för att förutsäga vad som kommer att hända nästa vecka, nästa månad eller nästa år.

Skillnaden är att när du använder utjämning tar du hänsyn till hur dålig din tidigare prognos var — det vill säga du erkänner att prognosen var lite skruvad. (Vän dig vid det — det händer.) Det fina med exponentiell utjämning är att du tar felet i din senaste prognos och använder det felet, så du hoppas, för att förbättra din nästa prognos.

Om din senaste prognos var för låg, höjer exponentiell utjämning din nästa prognos. Om din senaste prognos var för hög, slår exponentiell utjämning ner nästa.

Grundidén är att exponentiell utjämning korrigerar din nästa prognos på ett sätt som skulle ha gjort din tidigare prognos till en bättre. Det är en bra idé, och det brukar fungera bra.

Metod #3: Regression

När du använder regression för att göra en prognos, förlitar du dig på en variabel för att förutsäga en annan. Till exempel, när Federal Reserve höjer korta räntor, kan du lita på den variabeln för att förutsäga vad som kommer att hända med obligationspriserna eller kostnaden för bolån. I motsats till glidande medelvärden eller exponentiell utjämning, förlitar sig regression på en annan variabel för att berätta vad som sannolikt kommer att hända härnäst - något annat än din egen försäljningshistorik.