Med tiden tenderar en baslinje att visa konsekvent beteende: dess nivå ökar, minskar eller förblir stationär (eller så kan den vara säsongsbetonad eller cyklisk). Relationerna mellan tidsperioder hjälper till att mäta detta beteende: förhållandet mellan en månad och nästa, eller mellan ett kvartal och nästa, eller mellan ett kvartal och samma kvartal föregående år.
Din baslinje kan blanda ihop relationerna mellan dess tidsperioder av olika anledningar, vissa bra och andra dåliga. Ett par exempel:
- Den som sammanställde baslinjedata (inte du, definitivt) förbise försäljningsintäkterna för 15 juni till 30 juni. Detta är ett verkligt problem, och det är verkligen oförsvarligt. "Hunden åt upp mina läxor" betyder inte det här.
- Lagret brann ner till grunden och ingen kunde sälja något förrän fabriken kunde hinna med förlusten av lager. Återigen, ett verkligt problem, men det hjälper inte din prognos även om polisen fångar mordbrännaren.
Anledningen är detta: Om nästan hela din baslinje består av månatliga intäkter och en tidsperiod bara representerar en halv månad, kommer alla prognoser som beror på hela baslinjen att kastas bort. Bilden visar ett exempel på vad som kan hända.
Dålig data från en ny tidsperiod kan leda till en dålig prognos.
Cellerna A1:B27 innehåller en baslinje med exakta intäkter genomgående. Exponentiell utjämning ger prognosen för augusti 2016 i cell C28.
Cellerna H1:I27 har samma baslinje, förutom cell I25. Av någon anledning (slarv bokföring, den där lagerbranden eller något annat) har intäkterna för maj 2016 varit underrapporterade. Resultatet är att prognosen för augusti 2016 är mer än $6 000 mindre än den är när intäkterna från maj 2016 är resultatet av varken ett fel eller en engångshändelse. Sextusen dollar låter kanske inte så mycket, men i det här sammanhanget är det 8 procents skillnad. Och det är ännu värre direkt efter att problemet uppstått: Skillnaden mellan de två prognoserna är 17 procent i juni 2016.
Om den saknade informationen inte kan lokaliseras, kanske på grund av ett redovisningsfel, eller om inget fel gjordes men någon riktigt ovanlig incident avbröt försäljningsprocessen under maj 2016, skulle du förmodligen uppskatta de faktiska uppgifterna för maj. Ett par rimliga sätt att göra det:
- Ta genomsnittet av april och juni och tilldela det genomsnittet till maj.
- Använd juni 2014 till april 2016 som baslinje och prognos för maj 2016. Använd sedan maj 2016-prognosen i din fullständiga baslinje, januari 2014 till juli 2016.
Denna situation är ett bra skäl för att kartlägga din baslinje. Bara om du tittar på baslinjen kanske du inte märker att maj 2016 är en udda kula. Men det hoppar direkt på dig om du kartlägger baslinjen - se följande figur, särskilt juni till augusti 2016 i varje diagram.
Oddball-data hoppar av dig när du kartlägger baslinjen.
Oroa dig inte för små skillnader i längden på baslinjens tidsperioder. Mars har en dag mer än april, men det är inte värt att oroa sig för. Två saknade veckor är en annan sak.