Termen regression låter inte lika illa som exponentiell utjämning, men det är mer komplicerat, åtminstone när det gäller matematiken. Och det är därför som regressionsverktyget i Data Analysis-tillägget är bekvämt. Tillägget tar ansvar för matematiken, precis som det gör med glidande medelvärden och exponentiell utjämning.
Du måste fortfarande ge en bra baslinje till verktygen i Data Analysis-tillägget för att få korrekta resultat.
Här är en snabb titt på prognoser med regression.
Tanken bakom regression är att en variabel har ett samband med en annan variabel. När du är ett barn, till exempel, tenderar din längd att ha en relation till din ålder. Så om du vill förutsäga hur lång du kommer att bli nästa år - åtminstone tills du slutar växa - kan du kontrollera hur gammal du blir nästa år.
Naturligtvis är människor olika. När de är 15 år är vissa människor 5 fot långa, andra är 6 fot långa. I genomsnitt kan du dock med viss säkerhet förutsäga hur lång någon kommer att vara vid 15 års ålder. (Och du kan nästan säkert förutse att en nyfödd unge kommer att bli under 2 fot lång.)
Samma sak gäller med försäljningsprognoser. Anta att ditt företag säljer konsumentprodukter. Det är en bra satsning att ju mer reklam du gör, desto mer kommer du att sälja. Det är åtminstone värt att kolla upp om det finns ett samband mellan storleken på din annonsbudget och storleken på dina försäljningsintäkter. Om du upptäcker att det finns en pålitlig relation – och om du vet hur mycket ditt företag är villig att spendera på annonsering – har du ett bra läge att förutse din försäljning.
Eller anta att ditt företag marknadsför en specialprodukt, till exempel branddörrar. (En branddörr är en som ska vara motståndskraftig mot brand under en viss tid, och det finns många av dem i kontorsbyggnader.) Till skillnad från konsumentprodukter behöver något som en branddörr inte vara särskilt dåligt. -hyllan färg eller ha en fräschare än färsk arom. Om du köper branddörrar vill du ha de som uppfyller specifikationerna och är billigast.
Så om du säljer branddörrar, så länge din produkt uppfyller specifikationerna, skulle du vilja ta en titt på förhållandet mellan priset på branddörrar och hur många som säljs. Sedan kollar du med din marknadsavdelning för att ta reda på hur mycket de vill att du ska ta betalt per dörr, så kan du göra din prognos därefter.
Poängen är att du oftare än inte kan hitta ett pålitligt förhållande mellan en variabel (reklamdollar eller enhetspris) och en annan (vanligtvis försäljningsintäkter eller sålda enheter).
Du använder Excels verktyg för att kvantifiera den relationen. När det gäller regressionsprognoser ger du Excel ett par baslinjer:
- Historiska annonskostnader och historiska försäljningsintäkter
- Hur mycket du debiterade per branddörr och hur många dörrar du till exempel sålde
Om du ger Excel bra baslinjer kommer det att komma tillbaka till dig med en formel.
- Excel ger dig en siffra för att multiplicera hur mycket du förväntar dig att spendera på reklam, och resultatet blir dina förväntade försäljningsintäkter.
- Eller, till exempel, Excel ger dig ett nummer för att multiplicera enhetskostnaden per dörr, och resultatet blir antalet dörrar du kan förvänta dig att sälja.
Det är bara lite mer komplicerat än så. Excel ger dig också ett tal, som kallas en konstant, som du behöver lägga till resultatet av multiplikationen. Men du kan få Excel att göra det åt dig.